論文の概要: Introducing Interactions in Multi-Objective Optimization of Software Architectures

• arxiv url: http://arxiv.org/abs/2308.15084v1
• Date: Tue, 29 Aug 2023 07:49:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 12:15:59.873356
• Title: Introducing Interactions in Multi-Objective Optimization of Software Architectures
• Title（参考訳）: ソフトウェアアーキテクチャの多目的最適化におけるインタラクションの導入
• Authors: Vittorio Cortellessa, J. Andres Diaz-Pace, Daniele Di Pompeo, Sebastian Frank, Pooyan Jamshidi, Michele Tucci, Andr\'e van Hoorn
• Abstract要約: 本研究では,設計者のインタラクションがソフトウェアアーキテクチャの最適化に与える影響について検討する。 関心のある領域に探索を向けることで、完全に自動化されたプロセスで探索されていないアーキテクチャを明らかにする。
• 参考スコア（独自算出の注目度）: 2.920908475492581
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Software architecture optimization aims to enhance non-functional attributes like performance and reliability while meeting functional requirements. Multi-objective optimization employs metaheuristic search techniques, such as genetic algorithms, to explore feasible architectural changes and propose alternatives to designers. However, the resource-intensive process may not always align with practical constraints. This study investigates the impact of designer interactions on multi-objective software architecture optimization. Designers can intervene at intermediate points in the fully automated optimization process, making choices that guide exploration towards more desirable solutions. We compare this interactive approach with the fully automated optimization process, which serves as the baseline. The findings demonstrate that designer interactions lead to a more focused solution space, resulting in improved architectural quality. By directing the search towards regions of interest, the interaction uncovers architectures that remain unexplored in the fully automated process.
• Abstract（参考訳）: ソフトウェアアーキテクチャの最適化は、機能要件を満たしながら、パフォーマンスや信頼性などの非機能特性を強化することを目的としています。 多目的最適化では、遺伝的アルゴリズムのようなメタヒューリスティック検索技術を用いて、実現可能なアーキテクチャ変更を探索し、デザイナの代替案を提案する。 しかし、リソース集約的なプロセスは常に実用的な制約に合致するとは限らない。 本研究では,設計者のインタラクションが多目的ソフトウェアアーキテクチャ最適化に与える影響について検討する。 設計者は、完全に自動化された最適化プロセスの中間点に介入し、より望ましいソリューションへの探索を導く選択をすることができる。 このインタラクティブなアプローチを,ベースラインとして機能する完全自動最適化プロセスと比較する。 その結果、デザイナのインタラクションがより集中的なソリューション空間に結びつき、アーキテクチャの品質が向上することが示された。 関心のある領域に探索を向けることで、完全に自動化されたプロセスで探索されていないアーキテクチャを明らかにする。

関連論文リスト

• Learning Multi-Agent Communication from Graph Modeling Perspective [62.13508281188895]
  本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 提案手法であるCommFormerは,通信グラフを効率よく最適化し,勾配降下によるアーキテクチャパラメータをエンドツーエンドで並列に洗練する。
  論文  参考訳（メタデータ） (2024-05-14T12:40:25Z)
• Towards Assessing Spread in Sets of Software Architecture Designs [2.2120851074630177]
  本稿では,建築的特徴を考慮し,選択肢の多様性を評価するスプレッドの品質指標を提案する。 文献から得られたデータセットにアーキテクチャ品質指標をどのように適用できるかを実証する。
  論文  参考訳（メタデータ） (2024-02-29T13:52:39Z)
• Interactive Multi-Objective Evolutionary Optimization of Software Architectures [0.0]
  人間をループに入れることで、検索ベースのソフトウェアエンジニアリング分野に新たな課題がもたらされる。 本稿では,人間の判断を探索プロセスに統合するための基礎として,インタラクティブな進化的計算がいかに役立つかを考察する。
  論文  参考訳（メタデータ） (2024-01-08T19:15:40Z)
• AutoML for neuromorphic computing and application-driven co-design: asynchronous, massively parallel optimization of spiking architectures [3.8937756915387505]
  我々は、ニューロモルフィックアーキテクチャの探索と最適化にAutoMLにインスパイアされたアプローチを拡張した。 ニューロモルフィックアーキテクチャの構成空間を効率的に探索し、最高の性能につながる条件のサブセットを特定することができる。
  論文  参考訳（メタデータ） (2023-02-26T02:26:45Z)
• Multi-Agent Reinforcement Learning for Microprocessor Design Space Exploration [71.95914457415624]
  マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。 この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。 評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2022-11-29T17:10:24Z)
• Pareto-aware Neural Architecture Generation for Diverse Computational Budgets [94.27982238384847]
  既存の手法は、しばしば各目標予算に対して独立したアーキテクチャ探索プロセスを実行する。 提案するニューラルアーキテクチャジェネレータ(PNAG)は,任意の予算に対して,推論によって最適なアーキテクチャを動的に生成する。 このような共同探索アルゴリズムは、全体の検索コストを大幅に削減するだけでなく、結果も改善する。
  論文  参考訳（メタデータ） (2022-10-14T08:30:59Z)
• An Interactive Knowledge-based Multi-objective Evolutionary Algorithm Framework for Practical Optimization Problems [5.387300498478744]
  本稿では,対話型知識に基づく進化的多目的最適化(IK-EMO)フレームワークを提案する。 ハイパフォーマンスなソリューションの進化から知識として隠れた変数関係を抽出し、フィードバックを受け取るためにユーザと共有し、その効率を改善するために最適化プロセスに適用する。 提案したIK-EMOの動作は、3つの大規模な実世界のエンジニアリング設計問題で実証されている。
  論文  参考訳（メタデータ） (2022-09-18T16:51:01Z)
• Slimmable Domain Adaptation [112.19652651687402]
  重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。 私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-06-14T06:28:04Z)
• Investigating Positive and Negative Qualities of Human-in-the-Loop Optimization for Designing Interaction Techniques [55.492211642128446]
  設計者は、与えられた目的の集合を最大化する設計パラメータの組み合わせを見つけるよう求められる設計最適化タスクに苦労すると言われている。 モデルベースの計算設計アルゴリズムは、設計中に設計例を生成することでデザイナを支援する。 一方、補助のためのブラックボックスメソッドは、あらゆる設計問題に対処できる。
  論文  参考訳（メタデータ） (2022-04-15T20:40:43Z)
• 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)

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。