論文の概要: Exploitation Strategies in Conditional Markov Chain Search: A case study
on the three-index assignment problem
- arxiv url: http://arxiv.org/abs/2402.00076v1
- Date: Tue, 30 Jan 2024 22:13:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 18:03:58.999851
- Title: Exploitation Strategies in Conditional Markov Chain Search: A case study
on the three-index assignment problem
- Title（参考訳）: 条件付きマルコフ連鎖探索における活用戦略--3-index割り当て問題に関する事例研究
- Authors: Sahil Patel and Daniel Karapetyan
- Abstract要約: Conditional Markov Chain Search (CMCS) は、離散最適化問題に対するメタヒューリスティックの自動設計のためのフレームワークである。
本研究では,その活用能力を向上させるために,フレームワークのいくつかの拡張について検討する。
実験の結果,2段CMCSは1段CMCSよりも優れていることがわかった。
- 参考スコア（独自算出の注目度）: 0.48346848229502226
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Conditional Markov Chain Search (CMCS) is a framework for automated
design of metaheuristics for discrete combinatorial optimisation problems.
Given a set of algorithmic components such as hill climbers and mutations, CMCS
decides in which order to apply those components. The decisions are dictated by
the CMCS configuration that can be learnt offline. CMCS does not have an
acceptance criterion; any moves are accepted by the framework. As a result, it
is particularly good in exploration but is not as good at exploitation. In this
study, we explore several extensions of the framework to improve its
exploitation abilities. To perform a computational study, we applied the
framework to the three-index assignment problem. The results of our experiments
showed that a two-stage CMCS is indeed superior to a single-stage CMCS.
- Abstract（参考訳）: Conditional Markov Chain Search (CMCS) は、離散組合せ最適化問題に対するメタヒューリスティックの自動設計のためのフレームワークである。
ヒルクライマーやミュータントなどのアルゴリズム的なコンポーネントが与えられると、cmcはどのコンポーネントを適用するかを決定する。
決定は、オフラインで学習できるcmc設定によって決定される。
CMCSは受け入れ基準を持っておらず、いかなる動きもフレームワークによって受け入れられる。
その結果、特に探検には適しているが、搾取には適していない。
本研究では,フレームワークの活用能力を向上させるための拡張について検討する。
計算研究を行うため,我々はこの枠組みを3インデックス割当問題に適用した。
実験の結果,2段CMCSは1段CMCSよりも優れていることがわかった。
関連論文リスト
- A Multiagent Path Search Algorithm for Large-Scale Coalition Structure Generation [61.08720171136229]
結合構造生成はマルチエージェントシステムにおける基本的な計算問題である。
我々はCSGの多エージェントパス探索アルゴリズムであるSALDAEを開発し、連立構造グラフ上で運用する。
論文 参考訳（メタデータ） (2025-02-14T15:21:27Z) - Causal Abstraction Learning based on the Semantic Embedding Principle [8.867171632530908]
構造因果モデル(SCM)により,複数の解像度で複雑なシステムを調べることができる。
本稿では,CAの学習を可能にするSCMのカテゴリ理論的アプローチを提案する。
提案手法は,CAの構造に関する事前情報が異なる合成脳データと実世界脳データの両方で成功していることを示す。
論文 参考訳（メタデータ） (2025-02-01T11:54:44Z) - Offline Learning for Combinatorial Multi-armed Bandits [56.96242764723241]
Off-CMABはCMABの最初のオフライン学習フレームワークである。
Off-CMABは悲観的な報酬推定と解法を組み合わせる。
合成および実世界のデータセットの実験は、CLCBの優れた性能を強調している。
論文 参考訳（メタデータ） (2025-01-31T16:56:18Z) - Empirical Evaluation of the Implicit Hitting Set Approach for Weighted CSPs [46.010796136659536]
重み付きCSP問題に対する既存の参照アルゴリズムの代替策について検討する。
我々の実証研究は、WCSPにとって最良の選択肢を特定するのは容易ではないことを示している。
論文 参考訳（メタデータ） (2025-01-13T15:59:28Z) - Standardizing Structural Causal Models [80.21199731817698]
ベンチマークアルゴリズムのための内部標準構造因果モデル(iSCM)を提案する。
構成上、iSCMは$operatornameVar$-sortableではなく、実験的に示すように、$operatornameR2$-sortableではない。
論文 参考訳（メタデータ） (2024-06-17T14:52:21Z) - MOKD: Cross-domain Finetuning for Few-shot Classification via Maximizing Optimized Kernel Dependence [97.93517982908007]
NCCは、ドメイン間数ショットの分類において、少数ショットの分類が可能なメートル法空間を構築するために表現を学ぶことを目的としている。
本稿では,異なるクラスから得られた2つの標本の NCC 学習表現に高い類似性があることを見出した。
ラベル付きデータによって示されるクラスタ構造にマッチするクラス固有の表現の集合を学習するために、最適化されたカーネル依存(MOKD)を最大化する二段階最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-29T05:59:52Z) - An Evolutionary Framework for Connect-4 as Test-Bed for Comparison of Advanced Minimax, Q-Learning and MCTS [0.0]
本稿では,RL,Minimax,Monte Carlo木探索(MCTS)という3種類のアルゴリズムの進化的枠組みを考案した。
MCTSが勝利率で最高の結果を得るのに対し,MinimaxとQ-Learningはそれぞれ第2位と第3位にランクされていることを示す。
論文 参考訳（メタデータ） (2024-05-26T15:11:45Z) - Weakly Supervised Co-training with Swapping Assignments for Semantic Segmentation [21.345548821276097]
クラスアクティベーションマップ(CAM)は通常、擬似ラベルを生成するために弱教師付きセマンティックセマンティックセグメンテーション(WSSS)で使用される。
我々は、ガイド付きCAMを組み込んだエンドツーエンドWSSSモデルを提案し、CAMをオンラインで同時最適化しながらセグメンテーションモデルを訓練する。
CoSAは、追加の監督を持つものを含む、既存のマルチステージメソッドをすべて上回る、最初のシングルステージアプローチである。
論文 参考訳（メタデータ） (2024-02-27T21:08:23Z) - Continuous Monte Carlo Graph Search [61.11769232283621]
連続モンテカルログラフサーチ(Continuous Monte Carlo Graph Search, CMCGS)は、モンテカルログラフサーチ(MCTS)のオンラインプランニングへの拡張である。
CMCGSは、計画中、複数の州で同じ行動方針を共有することで高いパフォーマンスが得られるという洞察を生かしている。
並列化によってスケールアップすることができ、学習力学モデルによる連続制御においてクロスエントロピー法(CEM)よりも優れている。
論文 参考訳（メタデータ） (2022-10-04T07:34:06Z) - Improved Algorithms for Conservative Exploration in Bandits [113.55554483194832]
文脈線形帯域設定における保守的学習問題について検討し、新しいアルゴリズムである保守的制約付きLinUCB(CLUCB2)を導入する。
我々は、既存の結果と一致したCLUCB2に対する後悔の限界を導き、多くの合成および実世界の問題において、最先端の保守的バンディットアルゴリズムよりも優れていることを実証的に示す。
論文 参考訳（メタデータ） (2020-02-08T19:35:01Z)
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。