論文の概要: Impact of spatial transformations on landscape features of CEC2022 basic benchmark problems

• arxiv url: http://arxiv.org/abs/2402.07654v1
• Date: Mon, 12 Feb 2024 13:52:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-13 14:21:34.907372
• Title: Impact of spatial transformations on landscape features of CEC2022 basic benchmark problems
• Title（参考訳）: cec2022基本ベンチマーク問題の景観特性に及ぼす空間変換の影響
• Authors: Haoran Yin, Diederick Vermetten, Furong Ye, Thomas H.W. B\"ack, Anna V. Kononova
• Abstract要約: CEC2022ベンチマークスイートの5つの問題集合の低レベル景観特徴にどのように影響するかを,いくつかの問題変換について検討した。 その結果、比較的小さな変換であっても、計測された景観特性を著しく変化させることができることがわかった。 これは、問題トランスフォーメーションを作成するときにどのようなプロパティを保持したいのか、どのように適切な測定を行うのか、というより広い疑問を引き起こします。
• 参考スコア（独自算出の注目度）: 2.2298281397001434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When benchmarking optimization heuristics, we need to take care to avoid an algorithm exploiting biases in the construction of the used problems. One way in which this might be done is by providing different versions of each problem but with transformations applied to ensure the algorithms are equipped with mechanisms for successfully tackling a range of problems. In this paper, we investigate several of these problem transformations and show how they influence the low-level landscape features of a set of 5 problems from the CEC2022 benchmark suite. Our results highlight that even relatively small transformations can significantly alter the measured landscape features. This poses a wider question of what properties we want to preserve when creating problem transformations, and how to fairly measure them.
• Abstract（参考訳）: 最適化ヒューリスティックスをベンチマークする場合、使用済み問題の構築においてバイアスを利用したアルゴリズムを避ける必要がある。 この方法の1つの方法は、各問題の異なるバージョンを提供することであるが、アルゴリズムが様々な問題にうまく取り組むためのメカニズムを備えていることを保証するために変換を適用することである。 本稿では,これらの問題変換のいくつかを調査し,cec2022ベンチマークスイートの5つの問題の集合の低レベルなランドスケープ特性にどのように影響するかを示す。 その結果、比較的小さな変換であっても、計測された景観特性を著しく変化させることができることがわかった。 これは、問題変換を作成する際に保存したい特性と、それらを公平に測定する方法について、より広い疑問を提起する。

関連論文リスト

• A Guide to Stochastic Optimisation for Large-Scale Inverse Problems [4.926711494319977]
  最適化アルゴリズムは、大量のデータを持つ機械学習のデファクトスタンダードです。 我々は、逆問題の観点から、最適化における最先端の総合的な説明を提供する。 私たちは、機械学習で一般的に遭遇しない、ユニークな最適化の課題に焦点を合わせています。
  論文  参考訳（メタデータ） (2024-06-10T15:02:30Z)
• TransOpt: Transformer-based Representation Learning for Optimization Problem Classification [5.327489950641566]
  本稿では,トランスを用いたニューラルネットワークアーキテクチャを用いて,最適化問題インスタンスの表現を提案する。 本研究では,異なる問題次元に対して70%～80%の範囲で精度の高い問題クラスを認識できるように,トランスフォーマーに基づく手法を訓練可能であることを示す。
  論文  参考訳（メタデータ） (2023-11-29T19:20:47Z)
• AbCD: A Component-wise Adjustable Framework for Dynamic Optimization Problems [49.1574468325115]
  動的最適化問題 (DOP) は、常に発生し、現実の応用に共通するフィットネス環境の変化によって特徴づけられる。 我々は、動的問題のための調整可能なコンポーネント(AbCD)と呼ばれるDOPのためのコンポーネント指向フレームワークを開発する。 この結果から,アルゴリズムやコンポーネントの今後の発展に対処する必要があるDOP分野の既存の課題が浮き彫りになる。
  論文  参考訳（メタデータ） (2023-10-09T08:11:31Z)
• Task Adaptive Feature Transformation for One-Shot Learning [21.20683465652298]
  単発タスクのための固定された事前学習機能の上に微調整された単純な非線形埋め込み適応層を導入する。 様々なワンショットベンチマークに対して一貫した改善が見られ、最近の最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2023-04-13T21:52:51Z)
• Full Stack Optimization of Transformer Inference: a Survey [58.55475772110702]
  トランスフォーマーモデルは広範囲のアプリケーションにまたがって優れた精度を実現する。 最近のTransformerモデルの推測に必要な計算量と帯域幅は、かなり増加しています。 Transformerモデルをより効率的にすることに注力している。
  論文  参考訳（メタデータ） (2023-02-27T18:18:13Z)
• The Benefits of Implicit Regularization from SGD in Least Squares Problems [116.85246178212616]
  勾配降下(SGD)はアルゴリズム正則化効果が強い。 我々は、(正規化されていない)平均SGDで得られる暗黙の正則化とリッジ回帰の明示的な正則化の比較を行う。
  論文  参考訳（メタデータ） (2021-08-10T09:56:47Z)
• Linear Matrix Factorization Embeddings for Single-objective Optimization Landscapes [0.755972004983746]
  ブラックボックス最適化では、機能は$(x,f(x))$サンプルのセットから導出する必要がある。 行列因数分解による線形次元の減少は、異なる問題インスタンス間の相関関係のより良い検出に大きく寄与することを示す。
  論文  参考訳（メタデータ） (2020-09-30T08:46:54Z)
• Aligning Partially Overlapping Point Sets: an Inner Approximation Algorithm [80.15123031136564]
  変換の値に関する事前情報がない点集合を整列するロバストな手法を提案する。 我々のアルゴリズムは変換の正規化を必要とせず、変換の値に関する事前情報がない状況に対処できる。 実験により,提案手法が最先端のアルゴリズムよりも高いロバスト性を示した。
  論文  参考訳（メタデータ） (2020-07-05T15:23:33Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)
• Total Deep Variation for Linear Inverse Problems [71.90933869570914]
  本稿では,近年のアーキテクチャ設計パターンを深層学習から活用する,学習可能な汎用正規化手法を提案する。 本稿では,古典的画像復元と医用画像再構成問題に対する最先端の性能について述べる。
  論文  参考訳（メタデータ） (2020-01-14T19:01:50Z)

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。