論文の概要: A Scalable Test Problem Generator for Sequential Transfer Optimization
- arxiv url: http://arxiv.org/abs/2304.08503v4
- Date: Thu, 19 Oct 2023 13:02:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-20 20:41:18.676042
- 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: シーケンシャルトランスファー最適化(STO)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により、関心のあるタスクにおける最適化性能を改善することを目的としている。
既存のテスト問題は、単に他のベンチマーク関数を組み立てることによって生成されるか、あるいはスケーラビリティに制限のある特定の実践的な問題から拡張される。
本研究ではまず,STO問題を特徴付ける4つの概念を紹介する。
- 参考スコア(独自算出の注目度): 32.171233314036286
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sequential transfer optimization (STO), which aims to improve the
optimization performance on a task of interest by exploiting the knowledge
captured from several previously-solved optimization tasks stored in a
database, has been gaining increasing research attention over the years.
However, despite the remarkable advances in algorithm design, the development
of a systematic benchmark suite for comprehensive comparisons of STO algorithms
received far less attention. Existing test problems are either simply generated
by assembling other benchmark functions or extended from specific practical
problems with limited scalability. The relationships between the optimal
solutions of the source and target tasks in these problems are also often
manually configured, limiting their ability to model different similarity
relationships presented in real-world problems. Consequently, the good
performance achieved by an algorithm on these problems might be biased and hard
to be generalized to other problems. In light of the above, in this study, we
first introduce four concepts for characterizing STO problems and present an
important problem feature, namely similarity distribution, which quantitatively
delineates the relationship between the optima of the source and target tasks.
Then, we present the general design guidelines of STO problems and a particular
STO problem generator with good scalability. Specifically, the similarity
distribution of a problem can be easily customized, enabling a continuous
spectrum of representation of the diverse similarity relationships of
real-world problems. Lastly, a benchmark suite with 12 STO problems featured by
a variety of customized similarity relationships is developed using the
proposed generator. The source code of the problem generator is available at
https://github.com/XmingHsueh/STOP-G.
- Abstract(参考訳): データベースに格納された複数の最適化タスクから得られた知識を活用して、関心のあるタスクにおける最適化性能を向上させることを目的としたシーケンス転送最適化(STO)は、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著しい進歩にもかかわらず、stoアルゴリズムの包括的比較のための体系的ベンチマークスイートの開発は、あまり注目されなかった。
既存のテスト問題は、単に他のベンチマーク関数を組み立てることによって生成されるか、あるいはスケーラビリティに制限のある特定の実用的な問題から拡張される。
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関係は、しばしば手動で設定され、現実世界の問題で提示される異なる類似性関係をモデル化する能力を制限する。
したがって、これらの問題に対するアルゴリズムによる優れた性能は偏りがあり、他の問題への一般化が困難である。
そこで本研究では,まず,STO問題を特徴付ける4つの概念を紹介し,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重要な問題,すなわち類似度分布を提示する。
次に,STO問題の一般的な設計ガイドラインと,スケーラビリティに優れた特定のSTO問題生成手法を提案する。
特に、問題の類似性分布は容易にカスタマイズでき、現実世界の問題の多様な類似性関係を連続的に表現することができる。
最後に,提案したジェネレータを用いて,様々なカスタマイズされた類似性関係を特徴とする12のSTO問題のベンチマークスイートを開発した。
問題のジェネレータのソースコードはhttps://github.com/xminghsueh/stop-gで入手できる。
関連論文リスト
- 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) - Socio-cognitive Optimization of Time-delay Control Problems using
Evolutionary Metaheuristics [89.24951036534168]
メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。
本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
論文 参考訳(メタデータ) (2022-10-23T22:21:10Z) - 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。