論文の概要: Fitness-based Linkage Learning and Maximum-Clique Conditional Linkage Modelling for Gray-box Optimization with RV-GOMEA

• arxiv url: http://arxiv.org/abs/2402.10757v1
• Date: Fri, 16 Feb 2024 15:28:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-19 15:24:48.969312
• Title: Fitness-based Linkage Learning and Maximum-Clique Conditional Linkage Modelling for Gray-box Optimization with RV-GOMEA
• Title（参考訳）: RV-GOMEAを用いたグレーボックス最適化のための適合性に基づくリンク学習と最大斜め条件付きリンクモデル
• Authors: Georgios Andreadis, Tanja Alderliesten, Peter A.N. Bosman
• Abstract要約: 本研究では,適合度に基づくリンク学習と条件付きリンクモデリングを組み合わせたRV-GOMEAを提案する。 新たなRV-GOMEAは,ほとんどの問題に対して最善を尽くすだけでなく,最適化時の条件付きリンクモデル学習のオーバーヘッドも無視できることが多い。
• 参考スコア（独自算出の注目度）: 0.552480439325792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For many real-world optimization problems it is possible to perform partial evaluations, meaning that the impact of changing a few variables on a solution's fitness can be computed very efficiently. It has been shown that such partial evaluations can be excellently leveraged by the Real-Valued GOMEA (RV-GOMEA) that uses a linkage model to capture dependencies between problem variables. Recently, conditional linkage models were introduced for RV-GOMEA, expanding its state-of-the-art performance even to problems with overlapping dependencies. However, that work assumed that the dependency structure is known a priori. Fitness-based linkage learning techniques have previously been used to detect dependencies during optimization, but only for non-conditional linkage models. In this work, we combine fitness-based linkage learning and conditional linkage modelling in RV-GOMEA. In addition, we propose a new way to model overlapping dependencies in conditional linkage models to maximize the joint sampling of fully interdependent groups of variables. We compare the resulting novel variant of RV-GOMEA to other variants of RV-GOMEA and VkD-CMA on 12 problems with varying degree of overlapping dependencies. We find that the new RV-GOMEA not only performs best on most problems, also the overhead of learning the conditional linkage models during optimization is often negligible.
• Abstract（参考訳）: 多くの実世界の最適化問題において、部分的な評価を行うことは可能であり、つまり、数変数の変更がソリューションの適合性に与える影響を非常に効率的に計算することができる。 このような部分的な評価は、問題変数間の依存関係をキャプチャするリンケージモデルを用いて、Real-Valued GOMEA (RV-GOMEA) によって優れていることが示されている。 近年, rv-gomeaでは条件付きリンクモデルが導入され, 重なり合う依存性の問題においても最先端の性能が向上した。 しかし、その作業は依存関係構造が先入観として知られていると仮定した。 適合度に基づくリンケージ学習技術は、これまで最適化中に依存性を検出するために用いられてきたが、非条件リンケージモデルに限られていた。 本研究では,適合度に基づくリンク学習と条件付きリンクモデリングを組み合わせたRV-GOMEAを提案する。 さらに,条件付きリンケージモデルにおける重なり合う依存性をモデル化し,変数の完全相互依存群の同時サンプリングを最大化する新しい手法を提案する。 その結果得られたrv-gomea と rv-gomea および vkd-cma の他の変種との比較を行った。 新たな RV-GOMEA は,ほとんどの問題に対して最適であるだけでなく,最適化時の条件付きリンクモデル学習のオーバーヘッドも無視できることが多い。

関連論文リスト

• Modularity based linkage model for neuroevolution [4.9444321684311925]
  ニューラルネットワーク間の交差は、接続重み間の強い機能的依存のために破壊的であると考えられている。 機能的依存型コミュニティを維持するために,重みレベルでモジュール性に基づくリンクモデルを提案する。 我々のアルゴリズムは、より良い、より機能的に依存したリンクを見つけ、より良いクロスオーバーとより良いパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2023-06-02T01:32:49Z)
• Joint Graph Learning and Model Fitting in Laplacian Regularized Stratified Models [5.933030735757292]
  ラプラシア正規化成層モデル(Laplacian regularized Stratified Model、LRSM)は、サブプロブレムの明示的または暗黙的なネットワーク構造を利用するモデルである。 本稿では,LRSMにおけるグラフ重みの重要性と感度を示し,その感度が任意に大きいことを示す。 本稿では,1つの最適化問題を解くことで,モデルパラメータを適合させながらグラフを共同学習する汎用的手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T06:06:29Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Multi-Target XGBoostLSS Regression [91.3755431537592]
  本稿では,複数の目標とその依存関係を確率論的回帰設定でモデル化するXGBoostLSSの拡張について述べる。 提案手法は,既存のGBMよりも実行時の方が優れており,精度も良好に比較できる。
  論文  参考訳（メタデータ） (2022-10-13T08:26:14Z)
• Switchable Representation Learning Framework with Self-compatibility [50.48336074436792]
  自己整合性(SFSC)を考慮した交換可能な表現学習フレームワークを提案する。 SFSCは1つのトレーニングプロセスを通じて、異なる能力を持つ一連の互換性のあるサブモデルを生成する。 SFSCは評価データセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-06-16T16:46:32Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Solving Multi-Structured Problems by Introducing Linkage Kernels into GOMEA [0.0]
  リンクカーネルを導入し、各ソリューションの局所近傍におけるリンケージ構造を学習する。 また,Best-of-Traps (BoT) と呼ばれる新しいベンチマーク関数を導入する。 BoTと、有名なMaxCut問題の最悪のシナリオベースの変種の両方において、GOMEAよりもリンケージカーネルGOMEAの大幅な性能向上を実験的に見出した。
  論文  参考訳（メタデータ） (2022-03-11T14:48:40Z)
• Parameterless Gene-pool Optimal Mixing Evolutionary Algorithms [0.0]
  我々は、GOMEA(Gene-pool Optimal Mixing Evoutionary Algorithm)の最新バージョンを提示し、大幅な改良を提案する。 GOMEA と CGOMEA はオリジナルの GOMEA と DSMGA-II よりも高い性能を示した。
  論文  参考訳（メタデータ） (2021-09-11T11:35:14Z)
• Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
  変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。 本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
  論文  参考訳（メタデータ） (2021-01-06T17:36:26Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• Variational Model-based Policy Optimization [34.80171122943031]
  モデルベース強化学習(RL)アルゴリズムにより、実システムとの相互作用から得られたデータとモデル生成データを組み合わせ、RLにおけるデータ効率問題を緩和する。 本稿では,ログライクリフのログライクリフの変動的下界としての目的関数を提案し,モデルとポリシーを共同で学習し,改善する。 多くの連続制御タスクに関する実験により、モデルベース(Eステップ)アルゴリズムはより複雑であるにもかかわらず、浮動小数点数モデルベースポリシー最適化(VMBPO)と呼ばれるアルゴリズムの方がよりサンプリング効率が高いことが示された。
  論文  参考訳（メタデータ） (2020-06-09T18:30:15Z)

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。