論文の概要: Few for Many: Tchebycheff Set Scalarization for Many-Objective Optimization

• arxiv url: http://arxiv.org/abs/2405.19650v1
• Date: Thu, 30 May 2024 03:04:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-31 18:26:21.614095
• Title: Few for Many: Tchebycheff Set Scalarization for Many-Objective Optimization
• Title（参考訳）: 多くの人のために:Tchebycheff Set Scalarization for Many-Objective Optimization
• Authors: Xi Lin, Yilu Liu, Xiaoyuan Zhang, Fei Liu, Zhenkun Wang, Qingfu Zhang,
• Abstract要約: 多目的最適化は、競合する目的を1つのソリューションで最適化できない現実の多くのアプリケーションで見られる。 本稿では,多数の目的をカバーできるいくつかの代表解を見つけるために,新しいTchebycheff集合スカラー化法を提案する。 このようにして、それぞれの目的は、小さな解集合の少なくとも1つの解によってうまく対応できる。
• 参考スコア（独自算出の注目度）: 14.355588194787073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-objective optimization can be found in many real-world applications where some conflicting objectives can not be optimized by a single solution. Existing optimization methods often focus on finding a set of Pareto solutions with different optimal trade-offs among the objectives. However, the required number of solutions to well approximate the whole Pareto optimal set could be exponentially large with respect to the number of objectives, which makes these methods unsuitable for handling many optimization objectives. In this work, instead of finding a dense set of Pareto solutions, we propose a novel Tchebycheff set scalarization method to find a few representative solutions (e.g., 5) to cover a large number of objectives (e.g., $>100$) in a collaborative and complementary manner. In this way, each objective can be well addressed by at least one solution in the small solution set. In addition, we further develop a smooth Tchebycheff set scalarization approach for efficient optimization with good theoretical guarantees. Experimental studies on different problems with many optimization objectives demonstrate the effectiveness of our proposed method.
• Abstract（参考訳）: 多目的最適化は、競合する目的を1つのソリューションで最適化できない現実の多くのアプリケーションで見られる。 既存の最適化手法は、目的によって異なる最適なトレードオフを持つParetoソリューションの集合を見つけることに重点を置いていることが多い。 しかし、パレート最適集合全体をうまく近似するために必要となる解の数は、目的の個数に関して指数関数的に大きいため、多くの最適化目的を扱うには不適当である。 本研究では、パレート解の密集集合を見つける代わりに、多数の目的(例えば、$>100$)を協調的かつ相補的にカバーするいくつかの代表解(例、5)を見つけるための新しいチェビシェフ集合スカラー化法を提案する。 このようにして、それぞれの目的は、小さな解集合の少なくとも1つの解によってうまく対応できる。 さらに,理論的な保証を得た効率的な最適化のためのスムーズなTchebycheff集合スカラー化手法を更に開発する。 多くの最適化目標を持つ異なる問題に対する実験により,提案手法の有効性が示された。

関連論文リスト

• Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
  厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。 本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。 提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
  論文  参考訳（メタデータ） (2024-11-04T15:17:19Z)
• Smooth Tchebycheff Scalarization for Multi-Objective Optimization [15.047246588148495]
  多目的最適化問題は、目的が相反することが多く、単一のソリューションでは最適化できない、多くの実世界のアプリケーションで見られる。 勾配に基づく多目的最適化のための軽量で効率的なスムーズなTchebycheffスキャラライズ手法を提案する。
  論文  参考訳（メタデータ） (2024-02-29T12:03:05Z)
• Analyzing and Enhancing the Backward-Pass Convergence of Unrolled Optimization [50.38518771642365]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。 本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。 Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
  論文  参考訳（メタデータ） (2023-12-28T23:15:18Z)
• Optimization on Pareto sets: On a theory of multi-objective optimization [7.907376287850398]
  多目的最適化では、単一の決定ベクトルは、多くの目的間のトレードオフのバランスをとる必要がある。 我々は,制約セットの最適化を目標とする,より現実的に重要な最適化問題を考える。
  論文  参考訳（メタデータ） (2023-08-04T05:55:52Z)
• An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
  分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。 本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T01:58:10Z)
• Discovering Many Diverse Solutions with Bayesian Optimization [7.136022698519586]
  信頼領域を用いたランク順ベイズ最適化(ROBOT)を提案する。 ROBOTは、ユーザが特定した多様性基準に従って、多様なハイパフォーマンスソリューションのポートフォリオを見つけることを目的としている。 そこで本研究では,機能評価をほとんど必要とせず,高い性能の多様な解を多数発見できることを示す。
  論文  参考訳（メタデータ） (2022-10-20T01:56:38Z)
• An Approach to Ordering Objectives and Pareto Efficient Solutions [0.0]
  多目的最適化問題の解法は一般に比較や順序付けはできない。 意思決定者はしばしば、スケールした目的を比較することができると信じている。 確率積分変換を用いて問題の目的を全て同じ範囲のスコアにマッピングする手法を提案する。
  論文  参考訳（メタデータ） (2022-05-30T17:55:53Z)
• Optimizer Amalgamation [124.33523126363728]
  私たちは、Amalgamationという新しい問題の研究を動機付けています。"Teacher"アマルガメーションのプールを、より強力な問題固有のパフォーマンスを持つ単一の"学生"にどのように組み合わせるべきなのでしょうか? まず、勾配降下による解析のプールをアマルガメートする3つの異なるメカニズムを定義する。 また, プロセスの分散を低減するため, 目標を摂動させることでプロセスの安定化を図る。
  論文  参考訳（メタデータ） (2022-03-12T16:07:57Z)
• Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
  非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。 本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
  論文  参考訳（メタデータ） (2022-01-28T05:53:28Z)
• Goal Seeking Quadratic Unconstrained Binary Optimization [0.5439020425819]
  本稿では,目標からのずれを最小限に抑える2種類の目標探索QUBOを提案する。 本論文では、タブー探索に基づく1フリップによる目標からの偏差を最小限に抑える2種類の目標探索QUBOについて述べる。
  論文  参考訳（メタデータ） (2021-03-24T03:03:13Z)
• Pareto Multi-Task Learning [53.90732663046125]
  マルチタスク学習は複数の相関タスクを同時に解くための強力な方法である。 異なるタスクが互いに衝突する可能性があるため、すべてのタスクを最適化するひとつのソリューションを見つけることは、しばしば不可能である。 近年,マルチタスク学習を多目的最適化として活用することにより,タスク間のトレードオフが良好である1つのパレート最適解を求める方法が提案されている。
  論文  参考訳（メタデータ） (2019-12-30T08:58:40Z)

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。