論文の概要: A Scalable Test Problem Generator for Sequential Transfer Optimization
- arxiv url: http://arxiv.org/abs/2304.08503v1
- Date: Mon, 17 Apr 2023 06:48:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-19 17:01:50.715375
- Title: A Scalable Test Problem Generator for Sequential Transfer Optimization
- Title（参考訳）: シーケンシャル転送最適化のためのスケーラブルなテスト問題生成器
- Authors: Xiaoming Xue and Cuie Yang and Liang Feng and Kai Zhang and Linqi Song
and Kay Chen Tan
- Abstract要約: 逐次転送最適化は、データベースに格納された事前解決された最適化タスクを活用することで、パフォーマンスを向上させることを目的としている。
アルゴリズム設計の進歩にもかかわらず、STOの試験問題は十分に設計されていない。
- 参考スコア（独自算出の注目度）: 27.869273584801945
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sequential transfer optimization (STO), which aims to improve optimization
performance by exploiting knowledge captured from previously-solved
optimization tasks stored in a database, has been gaining increasing research
attention in recent years. However, despite significant advancements in
algorithm design, the test problems in STO are not well designed. Oftentimes,
they are either randomly assembled by other benchmark functions that have
identical optima or are generated from practical problems that exhibit limited
variations. The relationships between the optimal solutions of source and
target tasks in these problems are manually configured and thus monotonous,
limiting their ability to represent the diverse relationships of real-world
problems. Consequently, the promising results achieved by many algorithms on
these problems are highly biased and difficult to be generalized to other
problems. In light of this, we first introduce a few rudimentary concepts for
characterizing STO problems (STOPs) and present an important problem feature
overlooked in previous studies, namely similarity distribution, which
quantitatively delineates the relationship between the optima of source and
target tasks. Then, we propose general design guidelines and a problem
generator with superior extendibility. Specifically, the similarity
distribution of a problem can be systematically customized by modifying a
parameterized density function, enabling a broad spectrum of representation for
the diverse similarity relationships of real-world problems. Lastly, a
benchmark suite with 12 individual STOPs is developed using the proposed
generator, which can serve as an arena for comparing different STO algorithms.
The source code of the benchmark suite is available at
https://github.com/XmingHsueh/STOP.
- Abstract（参考訳）: データベースに格納された事前解決された最適化タスクから得られた知識を活用し、最適化性能の向上を目指すシーケンシャル転送最適化(sto)が近年研究の注目を集めている。
しかし、アルゴリズム設計の進歩にもかかわらず、STOの試験問題は十分に設計されていない。
しばしば、それらは同じ最適性を持つ他のベンチマーク関数によってランダムに組み立てられるか、あるいは限られたバリエーションを示す実用的な問題から生成される。
これらの問題におけるソースとターゲットタスクの最適解の間の関係は手動で構成され、従って単調であり、現実世界の問題の多様な関係を表現する能力を制限する。
したがって、これらの問題に対する多くのアルゴリズムによる有望な結果は非常に偏りがあり、他の問題への一般化が困難である。
そこで我々はまず,STO問題(STOP)を特徴付けるための初歩的な概念をいくつか紹介し,従来の研究で見過ごされた重要な問題,すなわち,ソースの最適性と目標タスクの関係を定量的に記述する類似性分布を提示する。
次に,汎用設計ガイドラインと拡張性に優れた問題生成器を提案する。
具体的には、パラメータ化密度関数を変更することで、問題の類似度分布を体系的にカスタマイズすることができ、現実世界の問題の多様な類似性関係に対する幅広い表現が可能となる。
最後に、12個のSTOPからなるベンチマークスイートを、異なるSTOアルゴリズムを比較するためのアリーナとして機能するジェネレータを用いて開発する。
ベンチマークスイートのソースコードはhttps://github.com/xminghsueh/stopにある。
関連論文リスト
- Diffusion Models as Network Optimizers: Explorations and Analysis [71.69869025878856]
生成拡散モデル(GDM)は,ネットワーク最適化の新しいアプローチとして期待されている。
本研究ではまず,生成モデルの本質的な特徴について考察する。
本稿では,識別的ネットワーク最適化よりも生成モデルの利点を簡潔かつ直感的に示す。
論文 参考訳（メタデータ） (2024-11-01T09:05:47Z) - A Guide to Stochastic Optimisation for Large-Scale Inverse Problems [4.926711494319977]
最適化アルゴリズムは、大量のデータを持つ機械学習のデファクトスタンダードです。
我々は、逆問題の観点から、最適化における最先端の総合的な説明を提供する。
私たちは、機械学習で一般的に遭遇しない、ユニークな最適化の課題に焦点を合わせています。
論文 参考訳（メタデータ） (2024-06-10T15:02:30Z) - Causal Feature Selection via Transfer Entropy [59.999594949050596]
因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。
本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。
精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
論文 参考訳（メタデータ） (2023-10-17T08:04:45Z) - Outlier-Robust Sparse Estimation via Non-Convex Optimization [73.18654719887205]
空間的制約が存在する場合の高次元統計量と非破壊的最適化の関連について検討する。
これらの問題に対する新規で簡単な最適化法を開発した。
結論として、効率よくステーションに収束する一階法は、これらのタスクに対して効率的なアルゴリズムを導出する。
論文 参考訳（メタデータ） (2021-09-23T17:38:24Z) - Generating Large-scale Dynamic Optimization Problem Instances Using the
Generalized Moving Peaks Benchmark [9.109331015600185]
本論文では, 一般化移動ピークベンチマーク(GMPB)と, 連続的な大規模動的最適化問題に対する問題インスタンスの生成方法について述べる。
15のベンチマーク問題、関連するソースコード、および大規模動的最適化における比較研究と競合のために設計されたパフォーマンス指標を提示する。
論文 参考訳（メタデータ） (2021-07-23T03:57:50Z) - A Complementarity Analysis of the COCO Benchmark Problems and
Artificially Generated Problems [0.0]
本稿では,このような単目的連続問題生成手法をCOCOベンチマーク問題セットと比較検討する。
このような表現により、可視化と相関解析技術を適用して、問題間の関係をさらに探求できることを示す。
論文 参考訳（メタデータ） (2021-04-27T09:18:43Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳（メタデータ） (2021-02-16T06:04:27Z) - Population-Based Methods: PARTICLE SWARM OPTIMIZATION -- Development of
a General-Purpose Optimizer and Applications [0.0]
この論文は、不等式制約を受ける連続、静的、単目的の最適化問題に関係している。
粒子群最適化のパラダイムは、社会で観察された協調行動の以前のシミュレーションから着想を得たものである。
論文 参考訳（メタデータ） (2021-01-25T09:36:25Z) - Differentiable Causal Discovery from Interventional Data [141.41931444927184]
本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。
提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
論文 参考訳（メタデータ） (2020-07-03T15:19:17Z) - Anytime Behavior of Inexact TSP Solvers and Perspectives for Automated
Algorithm Selection [0.0]
トラベリング・サレスパーソン・プロブレム(TSP)は、最もよく知られたNPハード最適化問題の1つである。
我々は、不正確なTSPソルバの任意の動作に対処することで、既存のベンチマーク研究を拡張した。
その結果、解法の性能ランキングは、集中した近似品質に大きく依存していることが判明した。
論文 参考訳（メタデータ） (2020-05-27T11:36:53Z) - MineReduce: an approach based on data mining for problem size reduction [58.720142291102135]
本稿では,マイニングパターンを用いて問題サイズの削減を行うMineReduceという手法を提案する。
異種車両ルーティング問題に対するMineReduceの適用について述べる。
論文 参考訳（メタデータ） (2020-05-15T08:49:50Z)
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。