論文の概要: A Comparative Visual Analytics Framework for Evaluating Evolutionary
Processes in Multi-objective Optimization
- arxiv url: http://arxiv.org/abs/2308.05640v1
- Date: Thu, 10 Aug 2023 15:32:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-11 11:58:07.846698
- Title: A Comparative Visual Analytics Framework for Evaluating Evolutionary
Processes in Multi-objective Optimization
- Title（参考訳）: 多目的最適化における進化過程評価のための比較ビジュアル分析フレームワーク
- Authors: Yansong Huang, Zherui Zhang, Ao Jiao, Yuxin Ma, Ran Cheng
- Abstract要約: EMOアルゴリズムにおける進化過程の探索と比較を可能にする視覚分析フレームワークを提案する。
ベンチマークおよび実世界の多目的最適化問題におけるケーススタディを通じて,本フレームワークの有効性を実証する。
- 参考スコア（独自算出の注目度）: 7.906582204901926
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Evolutionary multi-objective optimization (EMO) algorithms have been
demonstrated to be effective in solving multi-criteria decision-making
problems. In real-world applications, analysts often employ several algorithms
concurrently and compare their solution sets to gain insight into the
characteristics of different algorithms and explore a broader range of feasible
solutions. However, EMO algorithms are typically treated as black boxes,
leading to difficulties in performing detailed analysis and comparisons between
the internal evolutionary processes. Inspired by the successful application of
visual analytics tools in explainable AI, we argue that interactive
visualization can significantly enhance the comparative analysis between
multiple EMO algorithms. In this paper, we present a visual analytics framework
that enables the exploration and comparison of evolutionary processes in EMO
algorithms. Guided by a literature review and expert interviews, the proposed
framework addresses various analytical tasks and establishes a multi-faceted
visualization design to support the comparative analysis of intermediate
generations in the evolution as well as solution sets. We demonstrate the
effectiveness of our framework through case studies on benchmarking and
real-world multi-objective optimization problems to elucidate how analysts can
leverage our framework to inspect and compare diverse algorithms.
- Abstract（参考訳）: 進化的多目的最適化(EMO)アルゴリズムは多基準決定問題の解法に有効であることが示されている。
現実世界のアプリケーションでは、アナリストは複数のアルゴリズムを同時に採用し、それぞれの解集合を比較して異なるアルゴリズムの特性を洞察し、より広い範囲の可能な解を探索する。
しかしながら、EMOアルゴリズムは一般にブラックボックスとして扱われ、内部進化過程の詳細な解析と比較を行うのに困難をもたらす。
視覚分析ツールを説明可能なAIに適用することで、インタラクティブな可視化は複数のEMOアルゴリズムの比較分析を大幅に向上させることができると我々は主張する。
本稿では,EMOアルゴリズムにおける進化過程の探索と比較を可能にする視覚分析フレームワークを提案する。
文献のレビューと専門家によるインタビューによって、提案フレームワークは様々な分析課題に対処し、進化の中間世代とソリューションセットの比較分析を支援するために、多面的な可視化設計を確立する。
我々は,ベンチマークと実世界の多目的最適化問題に関するケーススタディを通じて,本フレームワークの有効性を実証し,多種多様なアルゴリズムの検証・比較にアナリストがどのように活用できるかを明らかにする。
関連論文リスト
- Deep Insights into Automated Optimization with Large Language Models and Evolutionary Algorithms [3.833708891059351]
大きな言語モデル(LLM)と進化的アルゴリズム(EA)は、制限を克服し、最適化をより自動化するための有望な新しいアプローチを提供する。
LLMは最適化戦略の生成、洗練、解釈が可能な動的エージェントとして機能する。
EAは進化作用素を通して、複雑な解空間を効率的に探索する。
論文 参考訳（メタデータ） (2024-10-28T09:04:49Z) - Data Analysis in the Era of Generative AI [56.44807642944589]
本稿では,AIを活用したデータ分析ツールの可能性について考察する。
我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。
次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
論文 参考訳（メタデータ） (2024-09-27T06:31:03Z) - ParetoTracker: Understanding Population Dynamics in Multi-objective Evolutionary Algorithms through Visual Analytics [16.65441551504126]
本稿では,人口動態の理解と検査を支援するための視覚分析フレームワークを提案する。
このフレームワークは、パフォーマンスメトリクスの全体的なトレンドの調査から、進化的操作のきめ細かい検査に至るまで、ユーザエンゲージメントと探索に役立っている。
このフレームワークの有効性は、広く採用されているベンチマーク最適化問題に焦点をあてたケーススタディと専門家インタビューを通じて実証される。
論文 参考訳（メタデータ） (2024-08-08T15:46:11Z) - Explainable Benchmarking for Iterative Optimization Heuristics [0.8192907805418583]
我々は、様々な最適化アルゴリズムの性能を分析し、理解するためのIOH-Xplainerソフトウェアフレームワークを紹介する。
さまざまなアルゴリズムコンポーネントと構成の影響を調査し、さまざまなシナリオにおけるパフォーマンスに関する洞察を提供する。
論文 参考訳（メタデータ） (2024-01-31T14:02:26Z) - Neural Combinatorial Optimization: a New Player in the Field [69.23334811890919]
本稿では,ニューラルネットワークに基づくアルゴリズムの古典的最適化フレームワークへの導入に関する批判的分析を行う。
性能, 転送可能性, 計算コスト, 大規模インスタンスなど, これらのアルゴリズムの基本的側面を分析するために, 総合的研究を行った。
論文 参考訳（メタデータ） (2022-05-03T07:54:56Z) - A survey on multi-objective hyperparameter optimization algorithms for
Machine Learning [62.997667081978825]
本稿では,多目的HPOアルゴリズムに関する2014年から2020年にかけての文献を体系的に調査する。
メタヒューリスティック・ベース・アルゴリズムとメタモデル・ベース・アルゴリズム,および両者を混合したアプローチを区別する。
また,多目的HPO法と今後の研究方向性を比較するための品質指標についても論じる。
論文 参考訳（メタデータ） (2021-11-23T10:22:30Z) - A Field Guide to Federated Optimization [161.3779046812383]
フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。
本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
論文 参考訳（メタデータ） (2021-07-14T18:09:08Z) - Investigating Bi-Level Optimization for Learning and Vision from a
Unified Perspective: A Survey and Beyond [114.39616146985001]
機械学習やコンピュータビジョンの分野では、モチベーションやメカニズムが異なるにもかかわらず、複雑な問題の多くは、一連の密接に関連するサブプロトコルを含んでいる。
本稿では,BLO(Bi-Level Optimization)の観点から,これらの複雑な学習と視覚問題を一様に表現する。
次に、値関数に基づく単一レベル再構成を構築し、主流勾配に基づくBLO手法を理解し、定式化するための統一的なアルゴリズムフレームワークを確立する。
論文 参考訳（メタデータ） (2021-01-27T16:20:23Z) - Weakly supervised cross-domain alignment with optimal transport [102.8572398001639]
画像オブジェクトとテキストシーケンス間のクロスドメインアライメントは多くの視覚言語タスクの鍵となる。
本稿では,画像とテキスト間の微粒な意味的類似点の同定と最適化のための新しいアプローチについて検討する。
論文 参考訳（メタデータ） (2020-08-14T22:48:36Z) - Benchmarking for Metaheuristic Black-Box Optimization: Perspectives and
Open Challenges [0.0]
新たな最適化アルゴリズムの研究は、そのようなアルゴリズムが現実世界や産業に関係のある課題に対処する能力を改善するという動機に基づいていることが多い。
多くのテスト問題とベンチマークスイートが開発され、アルゴリズムの比較評価に利用されている。
論文 参考訳（メタデータ） (2020-07-01T15:09:40Z) - Multifactorial Cellular Genetic Algorithm (MFCGA): Algorithmic Design,
Performance Comparison and Genetic Transferability Analysis [17.120962133525225]
多目的最適化は先進的な研究領域であり、近年顕著な研究の勢いを増している。
本稿では,多因子最適化シナリオのための新しいアルゴリズムスキームを提案する。
提案したMFCGAはセルオートマタの概念に基づいて,問題間の知識交換機構を実装している。
論文 参考訳（メタデータ） (2020-03-24T11:03:55Z)
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。