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: 処理完了
- 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
- Deep Active Ensemble Sampling For Image Classification [8.31483061185317]
アクティブラーニングフレームワークは、最も有益なデータポイントのラベル付けを積極的に要求することで、データアノテーションのコストを削減することを目的としている。
提案手法には、不確実性に基づく手法、幾何学的手法、不確実性に基づく手法と幾何学的手法の暗黙の組み合わせなどがある。
本稿では, サンプル選択戦略における効率的な探索・探索トレードオフを実現するために, 不確実性に基づくフレームワークと幾何学的フレームワークの両方の最近の進歩を革新的に統合する。
本フレームワークは,(1)正確な後続推定,(2)計算オーバーヘッドと高い精度のトレードオフの2つの利点を提供する。
論文 参考訳（メタデータ） (2022-10-11T20:20:20Z) - 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) - Hub-aware Random Walk Graph Embedding Methods for Classification [68.8204255655161]
ノード分類問題に特化して設計されたランダムウォークに基づく2つの新しいグラフ埋め込みアルゴリズムを提案する。
提案手法は,実世界のネットワークの埋め込みを訓練した3つの分類アルゴリズムの分類性能を解析して実験的に評価する。
論文 参考訳（メタデータ） (2022-09-15T20:41:18Z) - Neural Improvement Heuristics for Preference Ranking [69.23334811890919]
本稿では,グラフに基づく問題に対するニューラル改善(NI)モデルを提案する。
本モデルでは, ソリューションの品質向上のために, 項目の相互優先の修正を提案する。
これらのアルゴリズムは、優先度ランキング問題の解法として用いられ、シミュレーションや実世界のデータにおいて、従来の方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-01T10:35:29Z) - 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) - Information Theoretic Meta Learning with Gaussian Processes [74.54485310507336]
情報理論の概念,すなわち相互情報と情報のボトルネックを用いてメタ学習を定式化する。
相互情報に対する変分近似を用いることで、メタ学習のための汎用的かつトラクタブルな枠組みを導出する。
論文 参考訳（メタデータ） (2020-09-07T16:47:30Z) - Landscape-Aware Fixed-Budget Performance Regression and Algorithm
Selection for Modular CMA-ES Variants [1.0965065178451106]
市販の教師あり学習手法を用いて,高品質な性能予測が可能であることを示す。
このアプローチを,モジュール型CMA-ESアルゴリズム群から選択した,非常に類似したアルゴリズムのポートフォリオ上でテストする。
論文 参考訳（メタデータ） (2020-06-17T13:34:57Z)
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。