論文の概要: Multi-Objective Archiving
- arxiv url: http://arxiv.org/abs/2303.09685v1
- Date: Thu, 16 Mar 2023 23:08:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-20 16:09:26.002877
- Title: Multi-Objective Archiving
- Title（参考訳）: 多目的アーカイブ
- Authors: Miqing Li, Manuel L\'opez-Ib\'a\~nez, Xin Yao
- Abstract要約: アーカイブとは、新しいソリューションを以前のソリューションと比較し、アーカイブ/人口の更新方法を決定するプロセスである。
一般的な理論的観点からは、アーキビングの方法に関する体系的な研究が欠如している。
- 参考スコア（独自算出の注目度）: 4.146672630717473
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most multi-objective optimisation algorithms maintain an archive explicitly
or implicitly during their search. Such an archive can be solely used to store
high-quality solutions presented to the decision maker, but in many cases may
participate in the search process (e.g., as the population in evolutionary
computation). Over the last two decades, archiving, the process of comparing
new solutions with previous ones and deciding how to update the
archive/population, stands as an important issue in evolutionary
multi-objective optimisation (EMO). This is evidenced by constant efforts from
the community on developing various effective archiving methods, ranging from
conventional Pareto-based methods to more recent indicator-based and
decomposition-based ones. However, the focus of these efforts is on empirical
performance comparison in terms of specific quality indicators; there is lack
of systematic study of archiving methods from a general theoretical
perspective. In this paper, we attempt to conduct a systematic overview of
multi-objective archiving, in the hope of paving the way to understand
archiving algorithms from a holistic perspective of theory and practice, and
more importantly providing a guidance on how to design theoretically desirable
and practically useful archiving algorithms. In doing so, we also present that
archiving algorithms based on weakly Pareto compliant indicators (e.g.,
epsilon-indicator), as long as designed properly, can achieve the same
theoretical desirables as archivers based on Pareto compliant indicators (e.g.,
hypervolume indicator). Such desirables include the property limit-optimal, the
limit form of the possible optimal property that a bounded archiving algorithm
can have with respect to the most general form of superiority between solution
sets.
- Abstract（参考訳）: ほとんどの多目的最適化アルゴリズムは、検索中に明示的にまたは暗黙的にアーカイブを保持する。
このようなアーカイブは、意思決定者に提示される高品質なソリューションを格納するためにのみ使用できるが、多くの場合、探索プロセス(例えば、進化計算の人口)に参加することができる。
過去20年間で、新しいソリューションを以前のソリューションと比較し、アーカイブ/人口の更新方法を決定するプロセスであるアーカイブは、進化的多目的最適化(EMO)において重要な問題となっている。
これは、従来のパレート方式から、より最近の指標に基づく、分解に基づく手法まで、様々な効果的なアーカイブ手法の開発に対するコミュニティの努力によって証明されている。
しかしながら、これらの取り組みの焦点は、特定の品質指標の観点からの実証的性能比較であり、一般的な理論的観点からのアーカイブ手法の体系的な研究が欠如している。
本稿では,多目的アーカイビングの体系的な概観を行い,理論と実践の全体論的視点からアーカイビングアルゴリズムを理解する方法を明らかにし,より重要なこととして,理論的に望ましい効果的なアーカイビングアルゴリズムの設計方法についてのガイダンスを提供する。
また、弱パレート対応指標(例えば、エプシロン指標)に基づくアーカイブアルゴリズムは、適切に設計されている限り、パレート対応指標(例えば、ハイパーボリュームインジケータ)に基づくアーカイザーと同じ理論的目的を達成することができることを示す。
そのような望ましいものとしては、性質極限最適化(英語版)、有界アーキビングアルゴリズムが解集合間の最も一般的な優越性に関する可能な最適性質の極限形式がある。
関連論文リスト
- Hierarchical Reinforcement Learning for Temporal Abstraction of Listwise Recommendation [51.06031200728449]
我々はmccHRLと呼ばれる新しいフレームワークを提案し、リストワイドレコメンデーションにおける時間的抽象化のレベルを異なるものにする。
階層的な枠組みの中では、ハイレベルエージェントがユーザ知覚の進化を研究し、低レベルエージェントがアイテム選択ポリシーを作成している。
その結果,本手法による性能改善は,いくつかのよく知られたベースラインと比較して有意な結果が得られた。
論文 参考訳（メタデータ） (2024-09-11T17:01:06Z) - Coding for Intelligence from the Perspective of Category [66.14012258680992]
符号化の対象はデータの圧縮と再構成、インテリジェンスである。
最近の傾向は、これらの2つの分野の潜在的均一性を示している。
本稿では,カテゴリ理論の観点から,インテリジェンスのためのコーディングの新たな問題を提案する。
論文 参考訳（メタデータ） (2024-07-01T07:05:44Z) - Experimental Analysis of Large-scale Learnable Vector Storage
Compression [42.52474894105165]
学習可能な埋め込みベクトルは、機械学習において最も重要な応用の1つである。
推薦タスクにおけるスパースデータの高次元性と検索関連タスクにおける大量のコーパスは、埋め込みテーブルのメモリ消費を増大させる。
近年の研究では, モデル品質の低下や, その他のオーバーヘッドを伴って, 埋め込みを圧縮する方法が提案されている。
論文 参考訳（メタデータ） (2023-11-27T07:11:47Z) - Hierarchical learning, forecasting coherent spatio-temporal individual
and aggregated building loads [1.3764085113103222]
構造的インフォームド機械学習回帰器と階層的和解分類に基づく新しい多次元階層予測手法を提案する。
本手法は2つの異なるケーススタディを用いて電気的負荷の予測を行う。
全体として、本論文は従来の階層的予測手法を拡張・統一し、新しい世代の予測回帰器への肥大なルートを提供する。
論文 参考訳（メタデータ） (2023-01-30T15:11:46Z) - Multi-Resolution Online Deterministic Annealing: A Hierarchical and
Progressive Learning Architecture [0.0]
本稿では,多解像度データ空間のプログレッシブパーティショニングに基づく汎用階層型学習アーキテクチャを提案する。
各最適化問題の解は、勾配のない近似更新を用いてオンラインで推定できることを示す。
教師なしおよび教師なしの学習問題に対して、漸近収束解析と実験結果を提供する。
論文 参考訳（メタデータ） (2022-12-15T23:21:49Z) - Multi-Task Off-Policy Learning from Bandit Feedback [54.96011624223482]
本稿では,階層型非政治最適化アルゴリズム (HierOPO) を提案する。
学習方針の準最適性にタスクごとのバウンダリを証明し、階層モデルを使用しないよりも明確な改善を示す。
我々の理論的および実証的な結果は、各タスクを個別に解くよりも、階層を使うことの明確な利点を示している。
論文 参考訳（メタデータ） (2022-12-09T08:26:27Z) - Language Model Decoding as Likelihood-Utility Alignment [54.70547032876017]
モデルの有効性がタスク固有の実用性の概念とどのように一致しているかについて、暗黙の仮定に基づいて、デコード戦略をグループ化する分類法を導入する。
具体的には、様々なタスクの集合における予測の可能性と有用性の相関を解析することにより、提案された分類を裏付ける最初の実証的証拠を提供する。
論文 参考訳（メタデータ） (2022-10-13T17:55:51Z) - Effects of Archive Size on Computation Time and Solution Quality for
Multi-Objective Optimization [6.146046338698174]
外部アーカイブは、進化的多目的最適化アルゴリズムによって発見された全ての非支配的なソリューションを、いくつかの研究で保存するために使用されている。
i) 選択した最終ソリューションセットの品質, (ii) アーカイブメンテナンスの総計算時間, 最終ソリューションセットの選択, および (iii) 必要なメモリサイズについて, アーカイブサイズが3つの側面に与える影響について検討する。
論文 参考訳（メタデータ） (2022-09-07T12:25:16Z) - Autoregressive Search Engines: Generating Substrings as Document
Identifiers [53.0729058170278]
自動回帰言語モデルは、回答を生成するデファクト標準として現れています。
これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。
本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
論文 参考訳（メタデータ） (2022-04-22T10:45:01Z) - Provable Hierarchy-Based Meta-Reinforcement Learning [50.17896588738377]
HRLをメタRL設定で解析し、下流タスクで使用するメタトレーニング中に学習者が潜在階層構造を学習する。
我々は、この自然階層の標本効率の回復を保証し、抽出可能な楽観主義に基づくアルゴリズムとともに「多様性条件」を提供する。
我々の境界は、時間的・状態的・行動的抽象化などのHRL文献に共通する概念を取り入れており、我々の設定と分析が実際にHRLの重要な特徴を捉えていることを示唆している。
論文 参考訳（メタデータ） (2021-10-18T17:56:02Z)
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。