論文の概要: Investigating Normalization in Preference-based Evolutionary Multi-objective Optimization Using a Reference Point

• arxiv url: http://arxiv.org/abs/2307.06562v1
• Date: Thu, 13 Jul 2023 05:30:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-14 15:52:35.566798
• Title: Investigating Normalization in Preference-based Evolutionary Multi-objective Optimization Using a Reference Point
• Title（参考訳）: 基準点を用いた主観的進化的多目的最適化における正規化の検討
• Authors: Ryoji Tanabe
• Abstract要約: 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。
• 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: Normalization of objectives plays a crucial role in evolutionary multi-objective optimization (EMO) to handle objective functions with different scales, which can be found in real-world problems. Although the effect of normalization methods on the performance of EMO algorithms has been investigated in the literature, that of preference-based EMO (PBEMO) algorithms is poorly understood. Since PBEMO aims to approximate a region of interest, its population generally does not cover the Pareto front in the objective space. This property may make normalization of objectives in PBEMO difficult. This paper investigates the effectiveness of three normalization methods in three representative PBEMO algorithms. We present a bounded archive-based method for approximating the nadir point. First, we demonstrate that the normalization methods in PBEMO perform significantly worse than that in conventional EMO in terms of approximating the ideal point, nadir point, and range of the PF. Then, we show that PBEMO requires normalization of objectives on problems with differently scaled objectives. Our results show that there is no clear "best normalization method" in PBEMO, but an external archive-based method performs relatively well.
• Abstract（参考訳）: 目的の正規化は、進化的多目的最適化(EMO)において、異なるスケールの目的関数を扱う上で重要な役割を果たす。 EMOアルゴリズムの性能に対する正規化法の影響は文献で研究されているが、好みに基づくEMO(PBEMO)アルゴリズムは理解されていない。 PBEMOは関心領域を近似することを目的としているため、その人口は一般に目的空間のパレートフロントをカバーしていない。 この性質は、PBEMOにおける目的の正規化を困難にする可能性がある。 本稿では,3種類のPBEMOアルゴリズムにおける正規化手法の有効性について検討する。 本稿では,nadir点を近似する有界アーカイブベース手法を提案する。 まず, PBEMO の正規化法は, 理想点, ナディア点, および PF の範囲を近似する点において, 従来の EMO の法則よりも著しく劣ることを示した。 そして, 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。 以上の結果から, PBEMOには明確な「ベスト正規化法」は存在しないが, 外部アーカイブ方式は比較的良好である。

関連論文リスト

• Training Deep Learning Models with Norm-Constrained LMOs [56.00317694850397]
  正規球上の線形最小化オラクル(LMO)を利用する最適化手法について検討する。 この問題の幾何学に適応するためにLMOを用いた新しいアルゴリズム群を提案し, 意外なことに, 制約のない問題に適用可能であることを示す。
  論文  参考訳（メタデータ） (2025-02-11T13:10:34Z)
• Non-Myopic Multi-Objective Bayesian Optimization [64.31753000439514]
  多目的最適化問題を解くために、有限水平逐次実験設計の問題を考察する。 この問題は、材料設計を含む多くの現実世界の応用で発生する。 我々はMOO問題に対する最初の非ミオピック手法を提案する。
  論文  参考訳（メタデータ） (2024-12-11T04:05:29Z)
• Decoding-Time Language Model Alignment with Multiple Objectives [116.42095026960598]
  既存の手法は主に、1つの報酬関数に対してLMを最適化することに集中し、それらの適応性は様々な目的に制限される。 本稿では,予測の線形結合から次のトークンを出力する復号時間アルゴリズムである$textbfmulti-objective decoding (MOD)$を提案する。 提案手法は, 自然条件下であっても, 既存のアプローチが準最適であることを示すとともに, 提案手法の最適性を保証する。
  論文  参考訳（メタデータ） (2024-06-27T02:46:30Z)
• Approximation-Aware Bayesian Optimization [34.56666383247348]
  高次元ベイズ最適化(BO)タスクは、意味のある結果を得る前に10,000の関数評価を必要とすることが多い。 本稿では,小変動ガウス過程 (SVGP) をBOの目標とよく一致させるために修正する。 ユーティリティ校正変分推論の枠組みを用いて,GP近似とデータ取得を共同最適化問題に統一する。
  論文  参考訳（メタデータ） (2024-06-06T17:55:02Z)
• UMOEA/D: A Multiobjective Evolutionary Algorithm for Uniform Pareto Objectives based on Decomposition [19.13435817442015]
  多目的最適化(MOO)は、多くのアプリケーションで広く使われている。 従来の手法では、PF全体を表すためにパレートの目的(PF上の粒子)の集合を利用するのが一般的であった。 本稿は,従来のMOO手法で見られる限られた多様性を緩和するため,PF上でのインフォニフォーム分散目的を構築することを提案する。
  論文  参考訳（メタデータ） (2024-02-14T08:09:46Z)
• Direct Preference-Based Evolutionary Multi-Objective Optimization with Dueling Bandit [6.434590883720791]
  本稿では,人間のフィードバックのみに頼って,適合度関数の計算を補助する手法を提案する。 提案手法では,アクティブ・デュエル・バンディット・アルゴリズムにより直接選好学習を行う。 本研究は,従来の手法の限界に対処するだけでなく,最適化問題に対する新たな可能性を明らかにする,インタラクティブな嗜好ベースのMOEAフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-23T13:38:43Z)
• On the Unbounded External Archive and Population Size in Preference-based Evolutionary Multi-objective Optimization Using a Reference Point [0.0]
  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。
  論文  参考訳（メタデータ） (2023-04-07T10:01:21Z)
• Interactive Evolutionary Multi-Objective Optimization via Learning-to-Rank [8.421614560290609]
  本稿では,関心の解(SOI)を対話的に見つけるために,嗜好に基づくEMOアルゴリズムを設計するためのフレームワークを開発する。 EMOの中核となる考え方は、人間をEMOのループに巻き込むことだ。何回か繰り返すと、DMは数人の現職候補者に対してフィードバックを求めるよう招待される。 このような情報を集めることで、彼女の好みは学習からランクまでニューラルネットワークによって徐々に学習され、次にベースラインEMOアルゴリズムを導出するために応用される。
  論文  参考訳（メタデータ） (2022-04-06T06:34:05Z)
• Result Diversification by Multi-objective Evolutionary Algorithms with Theoretical Guarantees [94.72461292387146]
  両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。 GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。 目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
  論文  参考訳（メタデータ） (2021-10-18T14:00:22Z)
• Normalization Techniques in Training DNNs: Methodology, Analysis and Application [111.82265258916397]
  ディープニューラルネットワーク(DNN)のトレーニングを加速し、一般化を改善するためには、正規化技術が不可欠である 本稿では,トレーニングの文脈における正規化手法の過去,現在,未来に関するレビューとコメントを行う。
  論文  参考訳（メタデータ） (2020-09-27T13:06:52Z)
• Multi-Objective Matrix Normalization for Fine-grained Visual Recognition [153.49014114484424]
  双線形プールは細粒度視覚認識(FGVC)において大きな成功を収める 近年,行列パワー正規化は双線形特徴量において2次情報を安定化させることができることが示されている。 両線形表現を同時に正規化できる効率的な多目的行列正規化法(MOMN)を提案する。
  論文  参考訳（メタデータ） (2020-03-30T08:40:35Z)

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。