論文の概要: Exploratory Landscape Analysis for Mixed-Variable Problems
- arxiv url: http://arxiv.org/abs/2402.16467v1
- Date: Mon, 26 Feb 2024 10:19:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-27 13:43:00.162849
- Title: Exploratory Landscape Analysis for Mixed-Variable Problems
- Title(参考訳): 混合変数問題に対する探索的景観解析
- Authors: Raphael Patrick Prager and Heike Trautmann
- Abstract要約: 決定空間が連続変数、バイナリ変数、整数変数、カテゴリー変数の混合である混合変数問題に対する探索的景観特徴を計算する手段を提供する。
実用化のためのメリットをさらに強調するため,自動アルゴリズム選択研究を設計・実施する。
トレーニングされたアルゴリズムセレクタは、すべてのベンチマーク問題に対して、単一のベストと仮想ベストのギャップを57.5%縮めることができる。
- 参考スコア(独自算出の注目度): 0.7252027234425334
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Exploratory landscape analysis and fitness landscape analysis in general have
been pivotal in facilitating problem understanding, algorithm design and
endeavors such as automated algorithm selection and configuration. These
techniques have largely been limited to search spaces of a single domain. In
this work, we provide the means to compute exploratory landscape features for
mixed-variable problems where the decision space is a mixture of continuous,
binary, integer, and categorical variables. This is achieved by utilizing
existing encoding techniques originating from machine learning. We provide a
comprehensive juxtaposition of the results based on these different techniques.
To further highlight their merit for practical applications, we design and
conduct an automated algorithm selection study based on a hyperparameter
optimization benchmark suite. We derive a meaningful compartmentalization of
these benchmark problems by clustering based on the used landscape features.
The identified clusters mimic the behavior the used algorithms exhibit.
Meaning, the different clusters have different best performing algorithms.
Finally, our trained algorithm selector is able to close the gap between the
single best and the virtual best solver by 57.5% over all benchmark problems.
- Abstract(参考訳): 探索的なランドスケープ解析とフィットネスランドスケープ解析は、問題理解、アルゴリズム設計、自動アルゴリズムの選択や構成といった取り組みの促進に重要である。
これらの手法は1つの領域の探索空間に限られている。
本研究では,決定空間が連続変数,バイナリ変数,整数変数,カテゴリ変数の混合である混合変数問題に対して探索的景観特徴を計算する手段を提供する。
これは、機械学習から派生した既存のエンコーディング技術を利用することによって実現される。
これらの異なる手法に基づき,結果を包括的に評価する。
実用化へのメリットをさらに強調するため,ハイパーパラメータ最適化ベンチマークスイートに基づいたアルゴリズム自動選択研究を設計・実施する。
使用済みのランドスケープ特徴に基づくクラスタリングにより,これらのベンチマーク問題の有意義な区画化を導出する。
識別されたクラスタは、使用するアルゴリズムが示す動作を模倣する。
つまり、異なるクラスタは、パフォーマンスのよいアルゴリズムが異なる。
最後に、トレーニングされたアルゴリズムセレクタは、すべてのベンチマーク問題に対して、単一のベストと仮想ベストのギャップを57.5%縮めることができる。
関連論文リスト
- Hybridizing Target- and SHAP-encoded Features for Algorithm Selection in Mixed-variable Black-box Optimization [0.9049664874474738]
ELAは問題理解、アルゴリズム設計、自動アルゴリズムの選択や設定などのアプリケーションに使われている。
最近まで、ERAは連続変数または離散変数を持つ探索空間に限られており、混合変数の問題を無視していた。
このギャップは、ターゲットエンコーディングに基づくアプローチを用いて、混合問題に対する探索的な景観特徴を計算する最近の研究で解決された。
論文 参考訳(メタデータ) (2024-07-10T07:47:31Z) - A Survey of Meta-features Used for Automated Selection of Algorithms for Black-box Single-objective Continuous Optimization [4.173197621837912]
単目的連続ブラックボックス最適化の分野におけるアルゴリズム選択への重要な貢献について概説する。
自動アルゴリズム選択、構成、性能予測のための機械学習モデルについて検討する。
論文 参考訳(メタデータ) (2024-06-08T11:11:14Z) - A machine learning framework for neighbor generation in metaheuristic
search [4.521119623956821]
メタヒューリスティック検索における近隣世代のための汎用機械学習フレームワークを提案する。
メタヒューリスティックな2つの応用法について検証する。
論文 参考訳(メタデータ) (2022-12-22T01:58:04Z) - Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。
厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。
このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
論文 参考訳(メタデータ) (2021-11-29T15:10:09Z) - Applying Semi-Automated Hyperparameter Tuning for Clustering Algorithms [0.0]
本研究では,クラスタリング問題に対する半自動ハイパーパラメータチューニングのためのフレームワークを提案する。
グリッド検索を使用して一連のグラフを開発し、メトリクスを解釈しやすくし、より効率的なドメイン固有評価に使用できる。
予備的な結果は、内部メトリクスが、開発されたクラスタのセマンティックな品質をキャプチャできないことを示している。
論文 参考訳(メタデータ) (2021-08-25T05:48:06Z) - Algorithm Selection on a Meta Level [58.720142291102135]
本稿では,与えられたアルゴリズムセレクタの組み合わせに最適な方法を求めるメタアルゴリズム選択の問題を紹介する。
本稿では,メタアルゴリズム選択のための一般的な方法論フレームワークと,このフレームワークのインスタンス化として具体的な学習手法を提案する。
論文 参考訳(メタデータ) (2021-07-20T11:23:21Z) - A black-box adversarial attack for poisoning clustering [78.19784577498031]
本稿では,クラスタリングアルゴリズムのロバスト性をテストするために,ブラックボックス対逆攻撃法を提案する。
我々の攻撃は、SVM、ランダムフォレスト、ニューラルネットワークなどの教師付きアルゴリズムに対しても転送可能であることを示す。
論文 参考訳(メタデータ) (2020-09-09T18:19:31Z) - Run2Survive: A Decision-theoretic Approach to Algorithm Selection based
on Survival Analysis [75.64261155172856]
生存分析(SA)は、自然に検閲されたデータをサポートし、アルゴリズムランタイムの分散モデルを学習するためにそのようなデータを使用する適切な方法を提供する。
我々は、アルゴリズム選択に対する洗練された決定論的アプローチの基礎として、そのようなモデルを活用し、Run2Surviveを疑う。
標準ベンチマークASlibによる広範な実験では、我々のアプローチは競争力が高く、多くの場合、最先端のASアプローチよりも優れていることが示されている。
論文 参考訳(メタデータ) (2020-07-06T15:20:17Z) - Towards Dynamic Algorithm Selection for Numerical Black-Box
Optimization: Investigating BBOB as a Use Case [4.33419118449588]
シングルスウィッチな動的アルゴリズムの選択(dynAS)でさえ、大きな性能向上をもたらす可能性があることを示す。
また、dynASにおける重要な課題についても論じ、BBOBフレームワークがこれらを克服する上で有用なツールになり得ると論じる。
論文 参考訳(メタデータ) (2020-06-11T16:36:11Z) - Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文 参考訳(メタデータ) (2020-01-29T09:40:58Z) - Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。
最小クラスタ回復誤差率のアルゴリズムを考案する。
適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
論文 参考訳(メタデータ) (2019-10-14T09:18:26Z)
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。