論文の概要: Partial Orderings as Heuristic for Multi-Objective Model-Based Reasoning
- arxiv url: http://arxiv.org/abs/2310.19125v1
- Date: Sun, 29 Oct 2023 19:21:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-31 14:10:52.273657
- Title: Partial Orderings as Heuristic for Multi-Objective Model-Based Reasoning
- Title(参考訳): 多目的モデルに基づく推論のためのヒューリスティックな部分順序付け
- Authors: Andre Lustosa, Tim Menzies
- Abstract要約: 複雑なモデルが利害関係者を混乱させ、圧倒することがある。
ここでは,部分順序付けに基づく手法により,$O(log(N)$クエリ(以下)を必要とするバイナリチョップを通じて,人間が許容可能なソリューションを見つけることができる,と論じる。
本稿では,iSNEAK部分順序付けツールを用いて,このアプローチの価値を確認する。
- 参考スコア(独自算出の注目度): 13.19204187502255
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Model-based reasoning is becoming increasingly common in software
engineering. The process of building and analyzing models helps stakeholders to
understand the ramifications of their software decisions. But complex models
can confuse and overwhelm stakeholders when these models have too many
candidate solutions. We argue here that a technique based on partial orderings
lets humans find acceptable solutions via a binary chop needing $O(log(N))$
queries (or less). This paper checks the value of this approach via the iSNEAK
partial ordering tool. Pre-experimentally, we were concerned that (a)~our
automated methods might produce models that were unacceptable to humans; and
that (b)~our human-in-the-loop methods might actual overlooking significant
optimizations. Hence, we checked the acceptability of the solutions found by
iSNEAK via a human-in-the-loop double-blind evaluation study of 20 Brazilian
programmers. We also checked if iSNEAK misses significant optimizations (in a
corpus of 16 SE models of size ranging up to 1000 attributes by comparing it
against two rival technologies (the genetic algorithms preferred by the
interactive search-based SE community; and the sequential model optimizers
developed by the SE configuration community~\citep{flash_vivek}). iSNEAK 's
solutions were found to be human acceptable (and those solutions took far less
time to generate, with far fewer questions to any stakeholder). Significantly,
our methods work well even for multi-objective models with competing goals (in
this work we explore models with four to five goals). These results motivate
more work on partial ordering for many-goal model-based problems.
- Abstract(参考訳): モデルに基づく推論はソフトウェア工学においてますます一般的になりつつある。
モデルの構築と分析のプロセスは、ステークホルダーがソフトウェア決定の分岐を理解するのに役立つ。
しかし、これらのモデルが候補となるソリューションが多すぎると、複雑なモデルは利害関係者を混乱させ、圧倒する可能性がある。
ここでは、部分順序付けに基づく手法により、$O(log(N))$クエリ(以下)を必要とするバイナリチョップを通じて、人間が許容できるソリューションを見つけることができると論じる。
本稿では,iSNEAK部分順序付けツールを用いて,このアプローチの価値を確認する。
実験前は、私たちは
(a)自動化された方法では、人間には受け入れられないモデルを作るかもしれません。
(b)本手法は,実際に重要な最適化を見落としている可能性がある。
そこで本研究では,ブラジルの20人のプログラマを対象に,Human-in-the-loop二重盲検評価によるiSNEAKの解の受容性を確認した。
また、iSNEAKが大きな最適化を怠っているかどうか(最大1000の属性を持つ16のSEモデルのコーパスにおいて、2つの競合技術(対話型検索ベースSEコミュニティで好まれる遺伝的アルゴリズムとSE構成コミュニティで開発されたシーケンシャルモデルオプティマイザ)を比較した。
iSNEAKのソリューションは人間に受け入れられることがわかりました(そしてそれらのソリューションは、どのステークホルダにもずっと少ない質問で生成するのにはるかに時間がかかりました)。
重要なことに、我々の手法は競合する目標を持つ多目的モデルでもうまく機能します(この研究では、4~5つの目標を持つモデルを調べます)。
これらの結果は、多目的モデルに基づく問題に対して、部分順序付けに関するさらなる取り組みを動機付ける。
関連論文リスト
- DeforestVis: Behavior Analysis of Machine Learning Models with Surrogate
Decision Stumps [49.97564931094598]
複雑なMLモデルの振る舞いをユーザフレンドリに要約するビジュアル分析ツールであるDeforestVisを提案する。
DeforestVisは、より多くの切り株をインクリメンタルに生成することで、複雑さとフィデリティのトレードオフを探索するのに役立つ。
DeforestVisの適用性と有用性について,2つのユースケースと,データアナリストとモデル開発者とのエキスパートインタビューで紹介する。
論文 参考訳(メタデータ) (2023-03-31T21:17:15Z) - Dataless Knowledge Fusion by Merging Weights of Language Models [51.8162883997512]
微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。
これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。
パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
論文 参考訳(メタデータ) (2022-12-19T20:46:43Z) - Learning to Optimize Permutation Flow Shop Scheduling via Graph-based
Imitation Learning [70.65666982566655]
置換フローショップスケジューリング(PFSS)は製造業で広く使われている。
我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。
我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
論文 参考訳(メタデータ) (2022-10-31T09:46:26Z) - Gradient Optimization for Single-State RMDPs [0.0]
自律運転、ロボット部品の制御、医療診断といった現代の問題は、分析的に解決することがますます困難になっている。
データ駆動型ソリューションは、人によって理解される以上の複雑さの次元に問題があるという強力な選択肢です。
残念ながら、データ駆動モデルは最悪のシナリオでどのように機能するかに不確実性を伴うことが多い。
自律運転や医療などの分野では、これらの障害の結果は破滅的なものになる可能性がある。
論文 参考訳(メタデータ) (2022-09-25T18:50:02Z) - Quality Diversity Evolutionary Learning of Decision Trees [4.447467536572625]
MAP-Elitesは, モデル複雑性と振る舞いの多様性の両方を捉えた特徴空間上で, ハイブリッドモデルを多様化することができることを示す。
本手法をOpenAI Gymライブラリの2つのよく知られた制御問題に適用し,MAP-Elitesが提案する「照明」パターンについて議論する。
論文 参考訳(メタデータ) (2022-08-17T13:57:32Z) - Pareto Set Learning for Neural Multi-objective Combinatorial
Optimization [6.091096843566857]
多目的最適化(MOCO)の問題は、現実世界の多くのアプリケーションで見られる。
我々は,与えられたMOCO問題に対するパレート集合全体を,探索手順を伴わずに近似する学習ベースアプローチを開発した。
提案手法は,多目的走行セールスマン問題,マルチコンディショニング車両ルーティング問題,複数クナップサック問題において,ソリューションの品質,速度,モデル効率の面で,他の方法よりも優れていた。
論文 参考訳(メタデータ) (2022-03-29T09:26:22Z) - Conservative Objective Models for Effective Offline Model-Based
Optimization [78.19085445065845]
計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。
本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。
COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
論文 参考訳(メタデータ) (2021-07-14T17:55:28Z) - Personalizing Performance Regression Models to Black-Box Optimization
Problems [0.755972004983746]
本研究では,数値最適化問題に対するパーソナライズされた回帰手法を提案する。
また、問題毎に1つの回帰モデルを選択するのではなく、パーソナライズされたアンサンブルを選択することの影響についても検討する。
本稿では,BBOBベンチマークコレクション上での数値最適化性能の予測について検討する。
論文 参考訳(メタデータ) (2021-04-22T11:47:47Z) - Learning to Optimize: A Primer and A Benchmark [94.29436694770953]
最適化への学習(L2O)は、機械学習を活用して最適化方法を開発する新しいアプローチです。
この記事では、継続的最適化のためのL2Oの総合的な調査とベンチマークを行う。
論文 参考訳(メタデータ) (2021-03-23T20:46:20Z) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳(メタデータ) (2021-03-18T14:26:26Z) - Benchmarking deep inverse models over time, and the neural-adjoint
method [3.4376560669160394]
そこで本研究では,自然システムの隠れパラメータを決定するための一般的な逆問題について考察する。
我々はこれらのモデルを、効率的に、しかしランダムに、可能な逆解の空間を探索するための異なるスキームとして概念化する。
我々は,4つのベンチマークタスクについて,最先端の逆モデリング手法を比較した。
論文 参考訳(メタデータ) (2020-09-27T18:32:06Z)
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。