論文の概要: Evolvable Agents, a Fine Grained Approach for Distributed Evolutionary
Computing: Walking towards the Peer-to-Peer Computing Frontiers
- arxiv url: http://arxiv.org/abs/2401.17224v1
- Date: Tue, 30 Jan 2024 18:11:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 13:57:32.994541
- Title: Evolvable Agents, a Fine Grained Approach for Distributed Evolutionary
Computing: Walking towards the Peer-to-Peer Computing Frontiers
- Title（参考訳）: 進化的エージェント: 分散進化コンピューティングのためのきめ細かなアプローチ: ピアツーピアコンピューティングのフロンティアへの歩み
- Authors: Juan Luis Jim\'enez Laredo and Pedro A. Castillo and Antonio M. Mora
and Juan Juli\'an Merelo
- Abstract要約: 本稿では,分散進化計算における自己適応的移動率を用いた微粒化手法を提案する。
我々は,プロセッサ数の増加に伴って,ソリューションの品質とアルゴリズムの速度がどう変化するかを比較することで,アプローチの生存可能性を分析する。
この実験により,本手法はアイランドモデルよりも優れたスケーラビリティを示し,実験中の3つのテスト関数の平均値に対して等価なロバスト性を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work we propose a fine grained approach with self-adaptive migration
rate for distributed evolutionary computation. Our target is to gain some
insights on the effects caused by communication when the algorithm scales. To
this end, we consider a set of basic topologies in order to avoid the
overlapping of algorithmic effects between communication and topological
structures. We analyse the approach viability by comparing how solution quality
and algorithm speed change when the number of processors increases and compare
it with an Island model based implementation. A finer-grained approach implies
a better chance of achieving a larger scalable system; such a feature is
crucial concerning large-scale parallel architectures such as Peer-to-Peer
systems. In order to check scalability, we perform a threefold experimental
evaluation of this model: First, we concentrate on the algorithmic results when
the problem scales up to eight nodes in comparison with how it does following
the Island model. Second, we analyse the computing time speedup of the approach
while scaling. Finally, we analyse the network performance with the proposed
self-adaptive migration rate policy that depends on the link latency and
bandwidth. With this experimental setup, our approach shows better scalability
than the Island model and a equivalent robustness on the average of the three
test functions under study.
- Abstract（参考訳）: 本研究では,分散進化計算のための自己適応的移行率を用いたきめ細かなアプローチを提案する。
我々の目標は、アルゴリズムがスケールする際のコミュニケーションによる影響について、いくつかの洞察を得ることである。
この目的のために,コミュニケーションと位相構造との間のアルゴリズム効果の重なりを避けるために,基本トポロジーの集合を考える。
本稿では,プロセッサ数の増加に伴う解の質とアルゴリズムの速度の変化を比較し,島のモデルに基づく実装と比較し,その実現可能性を分析する。
このような機能はピアツーピアシステムのような大規模並列アーキテクチャにおいて非常に重要です。
まず,この問題が最大8ノードまでスケールした場合のアルゴリズム的結果に注目し,島モデルに従う方法と比較した。
第2に,スケーリング時の計算時間の高速化について分析する。
最後に,リンクレイテンシと帯域幅に依存する自己適応的移行率ポリシを用いてネットワーク性能を分析する。
この実験的なセットアップにより,実験対象の3つのテスト関数の平均値に対して,島モデルよりも優れたスケーラビリティと同等の堅牢性を示した。
関連論文リスト
- Predicting Probabilities of Error to Combine Quantization and Early Exiting: QuEE [68.6018458996143]
本稿では,量子化と早期出口動的ネットワークを組み合わせたより一般的な動的ネットワークQuEEを提案する。
我々のアルゴリズムは、ソフトアーリーエグジットや入力依存圧縮の一形態と見なすことができる。
提案手法の重要な要素は、さらなる計算によって実現可能な潜在的な精度向上の正確な予測である。
論文 参考訳（メタデータ） (2024-06-20T15:25:13Z) - Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。
学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。
提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
論文 参考訳（メタデータ） (2021-11-11T23:31:34Z) - Topology-Guided Sampling for Fast and Accurate Community Detection [1.0609815608017064]
本稿では,ブロック分割の高速化を目的としたトポロジー誘導サンプリング手法を提案する。
また、高速化を犠牲にして、我々のアプローチの有効性を向上させるための学位ベースのしきい値設定手法も導入する。
以上の結果から,本手法はサンプリングなしでブロック分割を最大15倍高速化する可能性が示唆された。
論文 参考訳（メタデータ） (2021-08-15T03:20:10Z) - Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian
Modeling [68.69431580852535]
サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。
我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。
我々は2つの異なる社会問題に対してアルゴリズムを実行する。
論文 参考訳（メタデータ） (2021-07-07T03:57:22Z) - EQ-Net: A Unified Deep Learning Framework for Log-Likelihood Ratio
Estimation and Quantization [25.484585922608193]
EQ-Netは,データ駆動手法を用いてログ類似度(LLR)推定と量子化の両課題を解決する,最初の包括的フレームワークである。
広範な実験評価を行い,両タスクにおいて単一アーキテクチャが最先端の成果を達成できることを実証する。
論文 参考訳（メタデータ） (2020-12-23T18:11:30Z) - Decentralized Deep Learning using Momentum-Accelerated Consensus [15.333413663982874]
複数のエージェントが協調して分散データセットから学習する分散ディープラーニングの問題を考える。
本稿では,エージェントが固定された通信トポロジ上で対話する分散ディープラーニングアルゴリズムを提案し,解析する。
本アルゴリズムは,勾配に基づくプロトコルで用いられるヘビーボール加速度法に基づく。
論文 参考訳（メタデータ） (2020-10-21T17:39:52Z) - Distributed Optimization, Averaging via ADMM, and Network Topology [0.0]
センサローカライゼーションの現実問題において,ネットワークトポロジと異なるアルゴリズムの収束率の関係について検討する。
また、ADMMと持ち上げマルコフ連鎖の間の興味深い関係を示すとともに、その収束を明示的に特徴づける。
論文 参考訳（メタデータ） (2020-09-05T21:44:39Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z) - Decentralized MCTS via Learned Teammate Models [89.24858306636816]
本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。
深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
論文 参考訳（メタデータ） (2020-03-19T13:10:20Z) - Active Model Estimation in Markov Decision Processes [108.46146218973189]
マルコフ決定過程(MDP)をモデル化した環境の正確なモデル学習のための効率的な探索の課題について検討する。
マルコフに基づくアルゴリズムは,本アルゴリズムと極大エントロピーアルゴリズムの両方を小サンプル方式で上回っていることを示す。
論文 参考訳（メタデータ） (2020-03-06T16:17:24Z) - Nonlinear Traffic Prediction as a Matrix Completion Problem with
Ensemble Learning [1.8352113484137629]
本稿では,信号化トラフィック運用管理における短期的な交通予測の問題に対処する。
高分解能(秒間)におけるセンサ状態の予測に焦点をあてる
私たちのコントリビューションは,3つの洞察を提供するものとして要約することができます。
論文 参考訳（メタデータ） (2020-01-08T13:10:40Z)
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。