論文の概要: On the Unbounded External Archive and Population Size in Preference-based Evolutionary Multi-objective Optimization Using a Reference Point

• arxiv url: http://arxiv.org/abs/2304.03566v1
• Date: Fri, 7 Apr 2023 10:01:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-10 12:13:27.877811
• Title: On the Unbounded External Archive and Population Size in Preference-based Evolutionary Multi-objective Optimization Using a Reference Point
• Title（参考訳）: 参照点を用いた進化的多目的最適化における非有界外部アーカイブと人口規模について
• Authors: Ryoji Tanabe
• Abstract要約: 機能評価の予算を小さくするために, PBEMO アルゴリズムの大部分において, 人口規模が小さい方が有効であることを示す。 実世界の問題に対して, PBEMO アルゴリズムの個体群サイズを選択する上で, 関心領域のサイズが重要でないことが判明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although the population size is an important parameter in evolutionary multi-objective optimization (EMO), little is known about its influence on preference-based EMO (PBEMO). The effectiveness of an unbounded external archive (UA) in PBEMO is also poorly understood, where the UA maintains all non-dominated solutions found so far. In addition, existing methods for postprocessing the UA cannot handle the decision maker's preference information. In this context, first, this paper proposes a preference-based postprocessing method for selecting representative solutions from the UA. Then, we investigate the influence of the UA and population size on the performance of PBEMO algorithms. Our results show that the performance of PBEMO algorithms (e.g., R-NSGA-II) can be significantly improved by using the UA and the proposed method. We demonstrate that a smaller population size than commonly used is effective in most PBEMO algorithms for a small budget of function evaluations, even for many objectives. We found that the size of the region of interest is a less important factor in selecting the population size of the PBEMO algorithms on real-world problems.
• Abstract（参考訳）: 集団サイズは進化的多目的最適化(EMO)において重要なパラメータであるが、その影響についてはあまり知られていない。 PBEMOにおける非有界な外部アーカイブ(UA)の有効性もよく理解されておらず、UAはこれまでに見いだされたすべての非支配的なソリューションを維持している。 さらに、既存のUAの後処理方法は、意思決定者の好み情報を処理できない。 本稿ではまず,UAから代表的解を選択するための選好ベースの後処理手法を提案する。 次に,PBEMOアルゴリズムの性能に及ぼすUAと人口規模の影響について検討した。 その結果,PBEMOアルゴリズム(例えばR-NSGA-II)の性能は,UAと提案手法を用いて大幅に向上できることがわかった。 PBEMOアルゴリズムは,多くの目的に対しても,機能評価の予算の小さな場合において,一般的に使用されるよりも人口規模が小さい方が有効であることを示す。 実世界の問題に対して, PBEMOアルゴリズムの個体群サイズを選択する上で, 関心領域のサイズがより重要でないことを発見した。

関連論文リスト

• Poisson Process for Bayesian Optimization [126.51200593377739]
  本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。 従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
  論文  参考訳（メタデータ） (2024-02-05T02:54:50Z)
• Learning Regions of Interest for Bayesian Optimization with Adaptive Level-Set Estimation [84.0621253654014]
  本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。 理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
  論文  参考訳（メタデータ） (2023-07-25T09:45:47Z)
• Investigating Normalization in Preference-based Evolutionary Multi-objective Optimization Using a Reference Point [0.0]
  目的の正規化は、進化的多目的最適化において重要な役割を果たす。 嗜好に基づくEMOアルゴリズムはよく理解されていない。 PBEMOは、異なるスケールの目的を持つ問題に対して、目的の正規化を必要とすることを示す。
  論文  参考訳（メタデータ） (2023-07-13T05:30:36Z)
• Provably Efficient UCB-type Algorithms For Learning Predictive State Representations [55.00359893021461]
  逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である 本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。 PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
  論文  参考訳（メタデータ） (2023-07-01T18:35:21Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• Comparison of High-Dimensional Bayesian Optimization Algorithms on BBOB [0.40498500266986387]
  我々は,5つの最先端高次元BOアルゴリズムと,バニラとCMA-ESを10変数から60変数の範囲で比較した。 本結果は, CMA-ESに対するBOの優位性を確認し, 限られた評価予算について検証した。
  論文  参考訳（メタデータ） (2023-03-02T01:14:15Z)
• Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
  統計的決定論の研究からシャノンエントロピーの一般化を考える。 まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。 次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
  論文  参考訳（メタデータ） (2022-10-04T04:43:58Z)
• High Dimensional Bayesian Optimization with Kernel Principal Component Analysis [4.33419118449588]
  カーネルPCA支援BO(KPCA-BO)アルゴリズムは,探索空間に非線形部分多様体を埋め込み,この部分多様体上でBOを実行する。 我々は、COCO/BBOBベンチマークスイートのマルチモーダル問題に対して、KPCA-BOとバニラBOとPCA-BOの性能を比較した。
  論文  参考訳（メタデータ） (2022-04-28T20:09:02Z)
• Solving Large-Scale Multi-Objective Optimization via Probabilistic Prediction Model [10.916384208006157]
  効率的なLSMOPアルゴリズムは、巨大な検索空間から局所最適解を逃れる能力を持つべきである。 人口の多様性を維持することは、探索効率を向上させる効果的な方法の1つである。 LSMOP に取り組むために,トレンド予測モデルと LT-PPM と呼ばれる生成フィルタ戦略に基づく確率的予測モデルを提案する。
  論文  参考訳（メタデータ） (2021-07-16T09:43:35Z)
• The Surprising Effectiveness of MAPPO in Cooperative, Multi-Agent Games [67.47961797770249]
  マルチエージェントPPO(MAPPO)は、集中型値関数を採用するマルチエージェントPPOバリアントである。 MAPPOは,3つの一般的なマルチエージェントテストベッドにおいて,最先端技術に匹敵する性能を実現していることを示す。
  論文  参考訳（メタデータ） (2021-03-02T18:59:56Z)

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。