論文の概要: Achieving Diversity in Objective Space for Sample-efficient Search of Multiobjective Optimization Problems

• arxiv url: http://arxiv.org/abs/2306.13780v1
• Date: Fri, 23 Jun 2023 20:42:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-27 19:21:02.422073
• Title: Achieving Diversity in Objective Space for Sample-efficient Search of Multiobjective Optimization Problems
• Title（参考訳）: 多目的最適化問題のサンプル効率探索のための目的空間の多様性獲得
• Authors: Eric Hans Lee, Bolong Cheng, Michael McCourt
• Abstract要約: 本稿では,LMS 取得機能を導入し,その挙動と特性を解析し,その実現可能性を示す。 この手法は、意思決定者に対して、将来性のある設計決定の堅牢なプールを提供し、優れたソリューションの空間をよりよく理解するのに役立つ。
• 参考スコア（独自算出の注目度）: 4.732915763557618
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficiently solving multi-objective optimization problems for simulation optimization of important scientific and engineering applications such as materials design is becoming an increasingly important research topic. This is due largely to the expensive costs associated with said applications, and the resulting need for sample-efficient, multiobjective optimization methods that efficiently explore the Pareto frontier to expose a promising set of design solutions. We propose moving away from using explicit optimization to identify the Pareto frontier and instead suggest searching for a diverse set of outcomes that satisfy user-specified performance criteria. This method presents decision makers with a robust pool of promising design decisions and helps them better understand the space of good solutions. To achieve this outcome, we introduce the Likelihood of Metric Satisfaction (LMS) acquisition function, analyze its behavior and properties, and demonstrate its viability on various problems.
• Abstract（参考訳）: 材料設計などの重要な科学・工学応用のシミュレーション最適化のための多目的最適化問題を効果的に解くことは、ますます重要な研究トピックになりつつある。 これは主に、そのようなアプリケーションに関連するコストのかかるコストと、paretoのフロンティアを効率的に探索して有望な設計ソリューションのセットを公開するサンプル効率の高い多目的最適化メソッドの必要性によるものである。 そこで我々は,Paretoフロンティアを特定するために明示的な最適化を使わずに,ユーザの特定性能基準を満たすさまざまな結果の探索を提案する。 この手法は意思決定者に対して,有望な設計決定のプールを提供し,優れたソリューションの空間をよりよく理解するのに役立つ。 この結果を達成するために、我々は、LMS取得機能を導入し、その挙動と特性を分析し、様々な問題においてその可能性を示す。

関連論文リスト

• Learning Joint Models of Prediction and Optimization [56.04498536842065]
  Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。 本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-07T19:52:14Z)
• Solving the Food-Energy-Water Nexus Problem via Intelligent Optimization Algorithms [46.48853432592689]
  食料・エネルギー・水系は、互いに影響を及ぼす食料・エネルギー・水の間で複雑に結びついている。 それらは通常、膨大な数の決定変数と、最適化されるべき多くの矛盾する目標を含む。 本稿では、最先端のインテリジェントな最適化手法を用いて食品・エネルギー・水の最適化問題を解き、その性能を比較する。
  論文  参考訳（メタデータ） (2024-04-10T06:19:19Z)
• Data-Efficient Interactive Multi-Objective Optimization Using ParEGO [6.042269506496206]
  多目的最適化は、競合する目的間の最適なトレードオフを提供する非支配的なソリューションの集合を特定することを目的としている。 実践的な応用では、意思決定者(DM)は実装すべき好みに合わせて単一のソリューションを選択する。 そこで本稿では,パレートフロントの最も好まれる領域を,高コストで評価できる2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-12T15:55:51Z)
• Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process Optimization [59.45414406974091]
  我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。 NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。 その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
  論文  参考訳（メタデータ） (2023-05-31T12:07:50Z)
• Preference-Aware Constrained Multi-Objective Bayesian Optimization [32.95116113569985]
  本稿では,ブラックボックスの目的関数に対する制約付き多目的最適化の問題に対処し,入力空間の大部分を実現できない場合(すなわち制約に違反する場合)に,対象関数に対して具体的選好を行う。 主な課題は、設計空間の巨大なサイズ、複数の目的と多数の制約、そして高価なシミュレーションを実行した後にのみ特定できる実行可能な入力設計のごく一部である。 そこで本稿では,PAC-MOO(PAC-MOO)と呼ばれる制約付き複数目的ベイズ最適化手法を提案する。
  論文  参考訳（メタデータ） (2023-03-23T04:46:49Z)
• Multi-Objective GFlowNets [59.16787189214784]
  本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。 薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。 GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
  論文  参考訳（メタデータ） (2022-10-23T16:15:36Z)
• Joint Entropy Search for Multi-objective Bayesian Optimization [0.0]
  本稿では,統合エントロピー探索(Joint Entropy Search)と呼ばれるBOのための情報理論獲得関数を提案する。 本稿では, ハイパーボリュームとその重み付き変種の観点から, 合成および実世界の諸問題に対するこの新しいアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2022-10-06T13:19:08Z)
• Uncertainty-Aware Search Framework for Multi-Objective Bayesian Optimization [40.40632890861706]
  高価な関数評価を用いたマルチオブジェクト(MO)ブラックボックス最適化の問題点を考察する。 UeMOと呼ばれる新しい不確実性対応検索フレームワークを提案し、評価のための入力シーケンスを効率的に選択する。
  論文  参考訳（メタデータ） (2022-04-12T16:50:48Z)
• Multi-Objective Constrained Optimization for Energy Applications via Tree Ensembles [55.23285485923913]
  エネルギーシステムの最適化問題は、強い非線形系の挙動と複数の競合する目的のために複雑である。 場合によっては、提案された最適解は、物理的性質や安全クリティカルな操作条件に関連する明示的な入力制約に従う必要がある。 本稿では,ブラックボックス問題に対する制約付き多目的最適化のためのツリーアンサンブルを用いた新しいデータ駆動戦略を提案する。
  論文  参考訳（メタデータ） (2021-11-04T20:18:55Z)
• Multi-Fidelity Multi-Objective Bayesian Optimization: An Output Space Entropy Search Approach [44.25245545568633]
  複数目的のブラックボックス最適化の新たな課題を多要素関数評価を用いて検討する。 いくつかの総合的および実世界のベンチマーク問題に対する実験により、MF-OSEMOは両者の近似により、最先端の単一忠実度アルゴリズムよりも大幅に改善されていることが示された。
  論文  参考訳（メタデータ） (2020-11-02T06:59:04Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)

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。