論文の概要: A Deep Dive into Effects of Structural Bias on CMA-ES Performance along Affine Trajectories
- arxiv url: http://arxiv.org/abs/2404.17323v1
- Date: Fri, 26 Apr 2024 11:07:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-29 13:24:47.108469
- Title: A Deep Dive into Effects of Structural Bias on CMA-ES Performance along Affine Trajectories
- Title（参考訳）: アフィン軌道沿いのCMA-ES性能に及ぼす構造バイアスの影響
- Authors: Niki van Stein, Sarah L. Thomson, Anna V. Kononova,
- Abstract要約: 本研究はモジュラー共分散行列適応進化戦略(modCMA)における構造バイアスの影響について検討する。
また,modCMAの435,456構成に関する調査を通じて,各種クラスの構造バイアスに大きく影響を及ぼす重要なモジュールを同定した。
本研究は,モジュールによる構造バイアスと,ランドスケープ特性の異なるアルゴリズム性能の相互作用を示すものである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To guide the design of better iterative optimisation heuristics, it is imperative to understand how inherent structural biases within algorithm components affect the performance on a wide variety of search landscapes. This study explores the impact of structural bias in the modular Covariance Matrix Adaptation Evolution Strategy (modCMA), focusing on the roles of various modulars within the algorithm. Through an extensive investigation involving 435,456 configurations of modCMA, we identified key modules that significantly influence structural bias of various classes. Our analysis utilized the Deep-BIAS toolbox for structural bias detection and classification, complemented by SHAP analysis for quantifying module contributions. The performance of these configurations was tested on a sequence of affine-recombined functions, maintaining fixed optimum locations while gradually varying the landscape features. Our results demonstrate an interplay between module-induced structural bias and algorithm performance across different landscape characteristics.
- Abstract（参考訳）: より反復的な最適化ヒューリスティックスの設計を導くためには,アルゴリズムコンポーネント内の構造的バイアスが,様々な検索環境における性能にどのように影響するかを理解することが不可欠である。
本研究は, モジュラー共分散行列適応進化戦略 (modCMA) における構造バイアスの影響について検討し, アルゴリズムにおける様々なモジュラーの役割に着目した。
また,modCMAの435,456構成に関する広範な調査を通じて,様々なクラスの構造バイアスに大きく影響を及ぼす重要なモジュールを同定した。
解析では,Deep-BIASツールボックスを用いて構造バイアスの検出と分類を行い,SHAP解析によりモジュールのコントリビューションの定量化を行った。
これらの構成の性能はアフィン再結合関数のシーケンス上でテストされ、ランドスケープの特徴を徐々に変化させながら、固定された最適な位置を維持した。
本研究は,モジュールによる構造バイアスと,ランドスケープ特性の異なるアルゴリズム性能の相互作用を示すものである。
関連論文リスト
- Generative Sentiment Analysis via Latent Category Distribution and Constrained Decoding [30.05158520307257]
本研究では,生成的感情分析モデルを提案する。
変分オートエンコーダの入力を再構成することにより、モデルがカテゴリとテキストの関係の強さを学習する。
Restaurant-ACOSとLaptop-ACOSデータセットの実験結果は、大幅なパフォーマンス向上を示している。
論文 参考訳（メタデータ） (2024-07-31T12:29:17Z) - Representing Topological Self-Similarity Using Fractal Feature Maps for Accurate Segmentation of Tubular Structures [12.038095281876071]
本研究では,FDをピクセルレベルまで拡張することにより,フラクタル特徴を深層学習モデルに組み込む。
得られたフラクタル特徴写像(FFM)はモデルへの追加入力と損失関数の重み付けとして組み込まれる。
5つの管状構造データセットの実験は、我々のアプローチの有効性とロバスト性を検証する。
論文 参考訳（メタデータ） (2024-07-20T05:22:59Z) - Embedded feature selection in LSTM networks with multi-objective
evolutionary ensemble learning for time series forecasting [49.1574468325115]
本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。
本手法はLSTMの重みと偏りを分割的に最適化する。
イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
論文 参考訳（メタデータ） (2023-12-29T08:42:10Z) - 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) - Disentangling Structured Components: Towards Adaptive, Interpretable and
Scalable Time Series Forecasting [52.47493322446537]
本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。
SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。
SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
論文 参考訳（メタデータ） (2023-05-22T13:39:44Z) - Automatic Modulation Classification with Deep Neural Networks [0.0]
その結果,拡張畳み込み,統計プール,圧縮・励起ユニットの組み合わせが最強性能分類器となることがわかった。
さらに、この最高の演奏者は、短い信号バースト、一般的な誤分類、異なる変調カテゴリーやモードでの演奏など、様々な基準で調べる。
論文 参考訳（メタデータ） (2023-01-27T15:16:06Z) - Demystify Transformers & Convolutions in Modern Image Deep Networks [82.32018252867277]
本稿では,一般のコンボリューションとアテンション演算子の真の利益を,詳細な研究により同定することを目的とする。
注意や畳み込みのようなこれらの特徴変換モジュールの主な違いは、それらの空間的特徴集約アプローチにある。
各種課題の実験と帰納的バイアスの解析により,ネットワークレベルとブロックレベルの高度な設計により,性能が著しく向上した。
論文 参考訳（メタデータ） (2022-11-10T18:59:43Z) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳（メタデータ） (2022-10-19T19:04:45Z) - The Importance of Landscape Features for Performance Prediction of
Modular CMA-ES Variants [2.3823600586675724]
近年の研究では、教師あり機械学習手法が問題事例から抽出したランドスケープ特徴を用いてアルゴリズムの性能を予測できることが示されている。
モジュール型CMA-ESフレームワークを考察し、各ランドスケープ機能が最適なアルゴリズム性能回帰モデルにどの程度貢献するかを推定する。
論文 参考訳（メタデータ） (2022-04-15T11:55:28Z) - Redefining Neural Architecture Search of Heterogeneous Multi-Network
Models by Characterizing Variation Operators and Model Components [71.03032589756434]
複素領域における異なる変動演算子の効果について検討する。
モデルの複雑さと性能に影響を及ぼす変化演算子と、それを構成する異なる部分の質を推定する様々な指標に依存するモデルの両方を特徴付ける。
論文 参考訳（メタデータ） (2021-06-16T17:12:26Z)
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。