論文の概要: Using Knowledge Graphs for Performance Prediction of Modular Optimization Algorithms

• arxiv url: http://arxiv.org/abs/2301.09876v1
• Date: Tue, 24 Jan 2023 09:28:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-01-25 14:11:29.339366
• Title: Using Knowledge Graphs for Performance Prediction of Modular Optimization Algorithms
• Title（参考訳）: 知識グラフを用いたモジュール最適化アルゴリズムの性能予測
• Authors: Ana Kostovska, Diederick Vermetten, Sa\v{s}o D\v{z}eroski, Pan\v{c}e Panov, Tome Eftimov, Carola Doerr
• Abstract要約: 我々は知識グラフ埋め込み手法を用いて性能予測モデルを構築した。 与えられたアルゴリズムのインスタンスが特定の目標精度を達成できるかどうかを正確に予測できる3つの分類手法を示す。
• 参考スコア（独自算出の注目度）: 4.060078409841919
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Empirical data plays an important role in evolutionary computation research. To make better use of the available data, ontologies have been proposed in the literature to organize their storage in a structured way. However, the full potential of these formal methods to capture our domain knowledge has yet to be demonstrated. In this work, we evaluate a performance prediction model built on top of the extension of the recently proposed OPTION ontology. More specifically, we first extend the OPTION ontology with the vocabulary needed to represent modular black-box optimization algorithms. Then, we use the extended OPTION ontology, to create knowledge graphs with fixed-budget performance data for two modular algorithm frameworks, modCMA, and modDE, for the 24 noiseless BBOB benchmark functions. We build the performance prediction model using a knowledge graph embedding-based methodology. Using a number of different evaluation scenarios, we show that a triple classification approach, a fairly standard predictive modeling task in the context of knowledge graphs, can correctly predict whether a given algorithm instance will be able to achieve a certain target precision for a given problem instance. This approach requires feature representation of algorithms and problems. While the latter is already well developed, we hope that our work will motivate the community to collaborate on appropriate algorithm representations.
• Abstract（参考訳）: 経験的データは進化的計算研究において重要な役割を担っている。 利用可能なデータをよりよく活用するために、オントロジは構造化された方法で保存を整理するために文献で提案されている。 しかしながら、これらの形式的手法がドメイン知識を捉える可能性については、まだ実証されていない。 本研究では,最近提案されたoption ontologyの拡張を基盤としたパフォーマンス予測モデルを評価する。 具体的には,モジュール型ブラックボックス最適化アルゴリズムの表現に必要な語彙でOPTIONオントロジーを拡張する。 次に、拡張OPTIONオントロジーを用いて、24個のノイズレスBBOBベンチマーク関数に対して、2つのモジュラアルゴリズムフレームワークmodCMAとmodDEの固定予算性能データを含む知識グラフを作成する。 我々は知識グラフ埋め込み手法を用いて性能予測モデルを構築した。 複数の異なる評価シナリオを用いて、知識グラフの文脈におけるかなり標準的な予測モデルタスクであるトリプル分類手法が、与えられたアルゴリズムインスタンスが与えられた問題インスタンスに対して特定の目標精度を達成できるかどうかを正確に予測できることを示す。 このアプローチはアルゴリズムと問題の特徴表現を必要とする。 後者はすでに十分に開発されていますが、私たちの仕事がコミュニティに適切なアルゴリズム表現で協力する動機づけになることを願っています。

関連論文リスト

• Learning optimal objective values for MILP [3.2170228238416123]
  本稿では,最適目標値の予測手法を提案する。 そこで本稿では,グラフニューラルネットワーク(GNN)アーキテクチャに基づく予測器と,動的特徴のセットを紹介する。 各種ベンチマーク実験の結果,提案手法の有効性が示され,予測タスクの精度が向上し,既存手法よりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2024-11-27T13:22:31Z)
• On Discriminative Probabilistic Modeling for Self-Supervised Representation Learning [85.75164588939185]
  本研究では,(マルチモーダル)自己教師型表現学習のデータ予測タスクにおいて,連続領域における識別確率モデルについて検討する。 我々は、自己教師付き表現学習における現在のInfoNCEに基づくコントラスト損失の制限を明らかにするために一般化誤差解析を行う。 MISが要求する条件付き確率密度の和を近似する新しい非パラメトリック手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T18:02:46Z)
• Learning-Augmented Algorithms with Explicit Predictors [67.02156211760415]
  アルゴリズム設計の最近の進歩は、過去のデータと現在のデータから得られた機械学習モデルによる予測の活用方法を示している。 この文脈における以前の研究は、予測器が過去のデータに基づいて事前訓練され、ブラックボックスとして使用されるパラダイムに焦点を当てていた。 本研究では,予測器を解き,アルゴリズムの課題の中で生じる学習問題を統合する。
  論文  参考訳（メタデータ） (2024-03-12T08:40:21Z)
• Reinforced In-Context Black-Box Optimization [64.25546325063272]
  RIBBOは、オフラインデータからエンドツーエンドでBBOアルゴリズムを強化学習する手法である。 RIBBOは、複数の動作アルゴリズムとタスクによって生成される最適化履歴を学習するために、表現的なシーケンスモデルを使用している。 提案手法の中心となるのは,テキストレグレット・ツー・ゴートークンによる最適化履歴の増大である。
  論文  参考訳（メタデータ） (2024-02-27T11:32:14Z)
• Learning the hub graphical Lasso model with the structured sparsity via an efficient algorithm [1.0923877073891446]
  ハブグラフィカルモデルを推定する二相アルゴリズムを提案する。 提案アルゴリズムはまず,乗算器の2つの交互方向法を用いてよい初期点を生成する。 その後、半滑らかなニュートン(SSN)ベースの拡張ラグランジアン法(ALM)を温め、実用的なタスクに十分正確な解を計算する。
  論文  参考訳（メタデータ） (2023-08-17T08:24:28Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• Optimal Inference in Contextual Stochastic Block Models [0.0]
  属性グラフの教師なしコミュニティ検出のために,文脈ブロックモデル (cSBM) を提案した。 cSBMは、半教師付きノード分類のためのグラフニューラルネットワーク(GNN)の性能を評価するための合成データセットとして広く利用されている。 本稿では,本アルゴリズムが到達した精度と,本論文で提案したGNNアーキテクチャの性能との間には,かなりのギャップが存在することを示す。
  論文  参考訳（メタデータ） (2023-06-06T10:02:57Z)
• Improved Algorithms for Neural Active Learning [74.89097665112621]
  非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。 本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
  論文  参考訳（メタデータ） (2022-10-02T05:03:38Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Goal Agnostic Planning using Maximum Likelihood Paths in Hypergraph World Models [1.370633147306388]
  本稿では,ハイパーグラフに基づく機械学習アルゴリズム,データ構造駆動型メンテナンス手法,およびDijkstraのアルゴリズムの確率的応用に基づく計画アルゴリズムを提案する。 このアルゴリズムが問題空間内の最適解を決定すること、数学的に有界な学習性能を証明し、時間を通してシステム状態の進行を解析する数学的モデルを提供する。
  論文  参考訳（メタデータ） (2021-10-18T16:22:33Z)
• Dual Optimization for Kolmogorov Model Learning Using Enhanced Gradient Descent [8.714458129632158]
  コルモゴロフモデル(コルモゴロフモデル、英: Kolmogorov model、KM)は、確率変数の集合の基本的な確率構造を学ぶための解釈可能で予測可能な表現手法である。 正規化双対最適化と拡張勾配降下法(GD)を併用した計算スケーラブルなKM学習アルゴリズムを提案する。 提案したKM学習アルゴリズムを用いた論理的関係マイニングの精度は80%以上である。
  論文  参考訳（メタデータ） (2021-07-11T10:33:02Z)
• A Framework and Benchmarking Study for Counterfactual Generating Methods on Tabular Data [0.0]
  カウンターファクトな説明は、機械学習の予測を説明する効果的な方法と見なされる。 このような説明を導き出そうとするアルゴリズムは、すでに数十ある。 ベンチマーク研究とフレームワークは、実践者がどのテクニックとビルディングブロックが最も適しているかを決定するのに役立ちます。
  論文  参考訳（メタデータ） (2021-07-09T21:06:03Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。