論文の概要: Towards Multi-Objective High-Dimensional Feature Selection via
Evolutionary Multitasking
- arxiv url: http://arxiv.org/abs/2401.01563v1
- Date: Wed, 3 Jan 2024 06:34:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-04 14:57:32.767107
- Title: Towards Multi-Objective High-Dimensional Feature Selection via
Evolutionary Multitasking
- Title(参考訳): 進化的マルチタスクによる多目的高次元特徴選択に向けて
- Authors: Yinglan Feng, Liang Feng, Songbai Liu, Sam Kwong, Kay Chen Tan
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 63.91518180604101
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evolutionary Multitasking (EMT) paradigm, an emerging research topic in
evolutionary computation, has been successfully applied in solving
high-dimensional feature selection (FS) problems recently. However, existing
EMT-based FS methods suffer from several limitations, such as a single mode of
multitask generation, conducting the same generic evolutionary search for all
tasks, relying on implicit transfer mechanisms through sole solution encodings,
and employing single-objective transformation, which result in inadequate
knowledge acquisition, exploitation, and transfer. To this end, this paper
develops a novel EMT framework for multiobjective high-dimensional feature
selection problems, namely MO-FSEMT. In particular, multiple auxiliary tasks
are constructed by distinct formulation methods to provide diverse search
spaces and information representations and then simultaneously addressed with
the original task through a multi-slover-based multitask optimization scheme.
Each task has an independent population with task-specific representations and
is solved using separate evolutionary solvers with different biases and search
preferences. A task-specific knowledge transfer mechanism is designed to
leverage the advantage information of each task, enabling the discovery and
effective transmission of high-quality solutions during the search process.
Comprehensive experimental results demonstrate that our MO-FSEMT framework can
achieve overall superior performance compared to the state-of-the-art FS
methods on 26 datasets. Moreover, the ablation studies verify the contributions
of different components of the proposed MO-FSEMT.
- Abstract(参考訳): 進化的マルチタスク(emt)パラダイムは、進化的計算における新たな研究テーマであり、近年、高次元特徴選択(fs)問題を解決することに成功している。
しかし、既存のEMTベースのFS法は、マルチタスク生成の単一モード、全てのタスクの同じジェネリックな進化的探索の実行、単独のソリューションエンコーディングによる暗黙的な転送機構への依存、単一目的変換の導入など、いくつかの制限に悩まされている。
そこで本研究では,多目的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。
特に、複数の補助タスクは、異なる定式化手法によって構成され、多様な検索空間と情報表現を提供し、その後、マルチスルーバーベースのマルチタスク最適化スキームを介して元のタスクに同時に対応している。
各タスクはタスク固有の表現を持つ独立した集団を持ち、異なるバイアスと検索好みを持つ別々の進化的解法を用いて解決される。
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、検索プロセス中に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。
総合的な実験結果から,26データセットの最先端FS法と比較して,MO-FSEMTフレームワークは総合的に優れた性能が得られることが示された。
さらに,提案したMO-FSEMTの様々な成分の寄与を検証する。
関連論文リスト
- Intuition-aware Mixture-of-Rank-1-Experts for Parameter Efficient Finetuning [50.73666458313015]
大規模言語モデル(LLM)はマルチメディアアプリケーションで複数のタスクを実行する上で大きな可能性を証明している。
MoEは、効率的なタスクデカップリングのためのスパースアーキテクチャによる有望なソリューションとして登場した。
Intuition-MoR1Eは14のパブリックデータセットで優れた効率と2.15%の全体的な精度向上を実現している。
論文 参考訳(メタデータ) (2024-04-13T12:14:58Z) - Multitasking Evolutionary Algorithm Based on Adaptive Seed Transfer for
Combinatorial Problem [2.869730777051168]
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。
論文 参考訳(メタデータ) (2023-08-24T08:43:32Z) - 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) - Uni-Perceiver: Pre-training Unified Architecture for Generic Perception
for Zero-shot and Few-shot Tasks [73.63892022944198]
我々はUni-Perceiverという汎用認識アーキテクチャを提案する。
様々なモダリティやタスクを、統一されたモデリングと共有パラメータで処理します。
その結果、チューニングなしで事前学習したモデルは、新しいタスクでも合理的なパフォーマンスを達成できることがわかった。
論文 参考訳(メタデータ) (2021-12-02T18:59:50Z) - Variational Multi-Task Learning with Gumbel-Softmax Priors [105.22406384964144]
マルチタスク学習は、タスク関連性を探究し、個々のタスクを改善することを目的としている。
本稿では,複数のタスクを学習するための一般的な確率的推論フレームワークである変分マルチタスク学習(VMTL)を提案する。
論文 参考訳(メタデータ) (2021-11-09T18:49:45Z) - Multi-Task Learning with Sequence-Conditioned Transporter Networks [67.57293592529517]
シーケンスコンディショニングと重み付きサンプリングのレンズによるマルチタスク学習の実現を目指している。
合成タスクを対象とした新しいベンチマークであるMultiRavensを提案する。
次に,視覚に基づくエンドツーエンドシステムアーキテクチャであるSequence-Conditioned Transporter Networksを提案する。
論文 参考訳(メタデータ) (2021-09-15T21:19:11Z) - 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) - On the Transferability of Knowledge among Vehicle Routing Problems by
using Cellular Evolutionary Multitasking [6.943742860591444]
この研究は、最近提案されたMFCGA(Multifactorial Cellular Genetic Algorithm)のキャパシタントカールーティング問題(CVRP)への適用に焦点を当てている。
この研究の貢献は2つあるが、一方、MFCGAの自動車ルーティング問題ファミリーへの最初の応用である。他方、問題インスタンス間の正の遺伝伝達可能性の定量的解析に焦点をあてた第2の貢献は、同様に興味深い。
論文 参考訳(メタデータ) (2020-05-11T12:58:00Z) - 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) - Pareto Multi-Task Learning [53.90732663046125]
マルチタスク学習は複数の相関タスクを同時に解くための強力な方法である。
異なるタスクが互いに衝突する可能性があるため、すべてのタスクを最適化するひとつのソリューションを見つけることは、しばしば不可能である。
近年,マルチタスク学習を多目的最適化として活用することにより,タスク間のトレードオフが良好である1つのパレート最適解を求める方法が提案されている。
論文 参考訳(メタデータ) (2019-12-30T08:58:40Z)
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。