論文の概要: Multitasking Evolutionary Algorithm Based on Adaptive Seed Transfer for Combinatorial Problem

• arxiv url: http://arxiv.org/abs/2308.12647v1
• Date: Thu, 24 Aug 2023 08:43:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-25 14:35:21.442288
• Title: Multitasking Evolutionary Algorithm Based on Adaptive Seed Transfer for Combinatorial Problem
• Title（参考訳）: 組合せ問題に対する適応シード転送に基づくマルチタスク進化アルゴリズム
• Authors: Haoyuan Lv, Ruochen Liu
• Abstract要約: 進化的マルチタスク最適化(EMTO)は、ECコミュニティで新たなトピックとなっている。 M TEA-ASTは、同じドメインとクロスドメインのマルチタスク環境の両方において、知識を適応的に転送することができる。 提案手法は,4つのCOPによる実験において,他の最先端EMTOと比較して競合性能を示す。
• 参考スコア（独自算出の注目度）: 2.869730777051168
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Evolutionary computing (EC) is widely used in dealing with combinatorial optimization problems (COP). Traditional EC methods can only solve a single task in a single run, while real-life scenarios often need to solve multiple COPs simultaneously. In recent years, evolutionary multitasking optimization (EMTO) has become an emerging topic in the EC community. And many methods have been designed to deal with multiple COPs concurrently through exchanging knowledge. However, many-task optimization, cross-domain knowledge transfer, and negative transfer are still significant challenges in this field. A new evolutionary multitasking algorithm based on adaptive seed transfer (MTEA-AST) is developed for multitasking COPs in this work. First, a dimension unification strategy is proposed to unify the dimensions of different tasks. And then, an adaptive task selection strategy is designed to capture the similarity between the target task and other online optimization tasks. The calculated similarity is exploited to select suitable source tasks for the target one and determine the transfer strength. Next, a task transfer strategy is established to select seeds from source tasks and correct unsuitable knowledge in seeds to suppress negative transfer. Finally, the experimental results indicate that MTEA-AST can adaptively transfer knowledge in both same-domain and cross-domain many-task environments. And the proposed method shows competitive performance compared to other state-of-the-art EMTOs in experiments consisting of four COPs.
• Abstract（参考訳）: 進化計算(EC)は組合せ最適化問題(COP)に広く用いられている。 従来のECメソッドは1回の実行で1つのタスクしか解決できないが、現実のシナリオでは複数のCOPを同時に解決する必要があることが多い。 近年,進化的マルチタスク最適化(EMTO)がECコミュニティで注目されている。 知識を交換することで複数のCOPを同時に扱うように設計されている。 しかし、多くのタスクの最適化、クロスドメインの知識転送、負の転送はこの分野でも依然として重要な課題である。 本研究において,適応シード転送(mtea-ast)に基づく新しい進化的マルチタスクアルゴリズムを開発した。 まず、異なるタスクの次元を統一するために次元統一戦略が提案される。 そして、目標タスクと他のオンライン最適化タスクとの類似性を捉えるために、適応的なタスク選択戦略を設計する。 計算された類似性を利用して、対象とするものに適したソースタスクを選択し、転送強度を決定する。 次に、ソースタスクから種を選び、種子の不適切な知識を正し、負の転送を抑制するタスク転送戦略が確立される。 最後に実験結果から,MTEA-ASTは同一ドメインとクロスドメインの両方のマルチタスク環境において,知識を適応的に伝達できることが示された。 提案手法は,4つのCOPによる実験において,他の最先端EMTOと比較して競合性能を示す。

関連論文リスト

• Towards Multi-Objective High-Dimensional Feature Selection via Evolutionary Multitasking [63.91518180604101]
  本稿では,高次元特徴選択問題,すなわちMO-FSEMTのための新しいEMTフレームワークを開発する。 タスク固有の知識伝達機構は、各タスクの利点情報を活用するように設計され、高品質なソリューションの発見と効果的な伝達を可能にする。
  論文  参考訳（メタデータ） (2024-01-03T06:34:39Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• An Evolutionary Multitasking Algorithm with Multiple Filtering for High-Dimensional Feature Selection [17.63977212537738]
  進化的マルチタスキング(EMT)は高次元分類の分野で成功している。 本稿では,高次元分類におけるFSのための新しいEMTを考案し,まず複数のタスクを生成するために異なるフィルタリング手法を採用する。 競争力のあるSwarmは、それらの間の有用な知識を伝達することによって、これらの関連するFSタスクを同時に解決するために修正される。
  論文  参考訳（メタデータ） (2022-12-17T12:06:46Z)
• Task Adaptive Parameter Sharing for Multi-Task Learning [114.80350786535952]
  Adaptive Task Adapting Sharing(TAPS)は、階層の小さなタスク固有のサブセットを適応的に修正することで、ベースモデルを新しいタスクにチューニングする手法である。 他の手法と比較して、TAPSはダウンストリームタスクに対して高い精度を維持し、タスク固有のパラメータは少ない。 我々は,タスクやアーキテクチャ(ResNet,DenseNet,ViT)を微調整して評価し,実装が簡単でありながら最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2022-03-30T23:16:07Z)
• Channel Exchanging Networks for Multimodal and Multitask Dense Image Prediction [125.18248926508045]
  本稿では,マルチモーダル融合とマルチタスク学習の両方に適用可能な,自己適応的でパラメータフリーなチャネル交換ネットワーク(CEN)を提案する。 CENは異なるモダリティのワーク間でチャネルを動的に交換する。 濃密な画像予測を応用するために、CENの有効性は4つの異なるシナリオで検証される。
  論文  参考訳（メタデータ） (2021-12-04T05:47:54Z)
• AT-MFCGA: An Adaptive Transfer-guided Multifactorial Cellular Genetic Algorithm for Evolutionary Multitasking [17.120962133525225]
  本稿では,進化的マルチタスク環境を扱うための適応メタヒューリスティックアルゴリズムを提案する。 AT-MFCGAはセルラーオートマトンを利用して、検討中の最適化問題の知識を交換する機構を実装している。
  論文  参考訳（メタデータ） (2020-10-08T12:00:10Z)
• 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)
• Task-Feature Collaborative Learning with Application to Personalized Attribute Prediction [166.87111665908333]
  本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。 具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。 実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
  論文  参考訳（メタデータ） (2020-04-29T02:32:04Z)
• 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)
• A Two stage Adaptive Knowledge Transfer Evolutionary Multi-tasking Based on Population Distribution for Multi/Many-Objective Optimization [12.53272339049236]
  本稿では,人口分布に基づく2段階適応型知識伝達進化型マルチタスク最適化アルゴリズムを提案する。 EMT-PDは確率モデルから抽出した知識に基づいてタスクの収束性能を加速し改善することができる。 マルチタスク多目的最適化テストスイートの実験結果から,EMT-PDは他の6つの進化的マルチ/シングルタスクアルゴリズムよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-01-03T13:05:32Z)

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。