論文の概要: Multi-Domain Evolutionary Optimization on Combinatorial Problems in Complex Networks
- arxiv url: http://arxiv.org/abs/2406.14865v2
- Date: Tue, 02 Sep 2025 05:51:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 15:17:02.882138
- Title: Multi-Domain Evolutionary Optimization on Combinatorial Problems in Complex Networks
- Title（参考訳）: 複雑ネットワークにおける組合せ問題に対するマルチドメイン進化最適化
- Authors: Jie Zhao, Kang Hao Cheong, Yaochu Jin,
- Abstract要約: マルチドメイン進化最適化(MDEO)という新しいフレームワークを提案する。
本稿では,ドメイン間の知識伝達を管理するために,コミュニティレベルのグラフ類似度の測定手法を提案する。
グラフ学習に基づくネットワークアライメントモデルを構築し、異なるドメイン間でソリューションを効果的に転送するコンジットとして機能する。
- 参考スコア（独自算出の注目度）: 28.31042708150456
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge transfer-based evolutionary optimization has garnered significant attention, such as in multi-task evolutionary optimization (MTEO), which aims to solve complex problems by simultaneously optimizing multiple tasks. While this emerging paradigm has been primarily focusing on task similarity, there remains a hugely untapped potential in harnessing the shared characteristics between different domains. For example, real-world complex systems usually share the same characteristics, such as the power-law rule, small-world property and community structure, thus making it possible to transfer solutions optimized in one system to another to facilitate the optimization. Drawing inspiration from this observation of shared characteristics within complex systems, we present a novel framework, multi-domain evolutionary optimization (MDEO). First, we propose a community-level measurement of graph similarity to manage the knowledge transfer among domains. Furthermore, we develop a graph learning-based network alignment model that serves as the conduit for effectively transferring solutions between different domains. Moreover, we devise a self-adaptive mechanism to determine the number of transferred solutions from different domains, and introduce a knowledge-guided mutation mechanism that adaptively redefines mutation candidates to facilitate the utilization of knowledge from other domains. To evaluate its performance, we use a challenging combinatorial problem known as adversarial link perturbation as the primary illustrative optimization task. Experiments on multiple real-world networks of different domains demonstrate the superiority of the proposed framework in efficacy compared to classical evolutionary optimization.
- Abstract（参考訳）: 知識伝達に基づく進化最適化は、複数のタスクを同時に最適化することで複雑な問題を解決することを目的としたマルチタスク進化最適化(MTEO)など、大きな注目を集めている。
この新たなパラダイムは、主にタスクの類似性に重点を置いているが、異なるドメイン間の共有特性を利用するには、まだ未解決の可能性が残されている。
例えば、現実世界の複雑なシステムは、通常、権力法則、小さな世界の性質、コミュニティ構造など、同じ特性を共有しているため、最適化を容易にするために、あるシステムで最適化されたソリューションを別のシステムに転送することができる。
複雑なシステムにおける共有特性のこの観察からインスピレーションを得て,新しいフレームワークMDEO(Multi- Domain Evolution Optimization)を提案する。
まず,ドメイン間の知識伝達を管理するために,コミュニティレベルのグラフ類似度の測定手法を提案する。
さらに,異なる領域間で効率的に解を転送するコンジットとして機能するグラフ学習型ネットワークアライメントモデルを開発した。
さらに、異なるドメインから移行したソリューションの数を決定する自己適応的なメカニズムを考案し、他のドメインからの知識の利用を促進するために、突然変異候補を適応的に再定義する知識誘導突然変異機構を導入する。
その性能を評価するために,主図形最適化タスクとして,対向リンク摂動と呼ばれる難解な組合せ問題を用いる。
異なる領域の複数の実世界のネットワークの実験は、古典的な進化的最適化と比較して、提案されたフレームワークが有効であることを示す。
関連論文リスト
- RAG/LLM Augmented Switching Driven Polymorphic Metaheuristic Framework [5.10888539576355]
Polymorphic Metaheuristic Framework (PMF) は、リアルタイムパフォーマンスフィードバックと動的アルゴリズム選択によって駆動される自己適応型メタヒューリスティックスイッチング機構である。
AIによる意思決定と自己修正メカニズムを統合することで、PMFはスケーラブルでインテリジェントで自律的な最適化フレームワークの道を開いた。
論文 参考訳（メタデータ） (2025-05-20T01:41:22Z) - Visual Evolutionary Optimization on Combinatorial Problems with Multimodal Large Language Models: A Case Study of Influence Maximization [7.890526174400841]
複雑なネットワークにおけるグラフ構造問題は、多くの領域で広く使われており、計算的に要求されている。
伝統的な進化的アルゴリズム(EA)は、コンテンツ共有の符号化制限と構造的認識の欠如のためにしばしば障害に直面している。
本稿では,マルチモーダルな大言語モデル(MLLM)を進化のバックボーンとして活用する,ビジュアル進化最適化(VEO)という独自のフレームワークを紹介する。
論文 参考訳（メタデータ） (2025-05-11T05:23:02Z) - DA-Mamba: Domain Adaptive Hybrid Mamba-Transformer Based One-Stage Object Detection [0.3683202928838613]
ドメイン適応型マンバ型一段階物体検出モデルDA-マンバについて述べる。
Mambaアーキテクチャのグローバルなモデリングと線形複雑性にインスパイアされ、最初のドメイン適応型Mambaベースのワンステージオブジェクト検出モデルであるDA-Mambaを提示する。
論文 参考訳（メタデータ） (2025-02-16T15:58:54Z) - Online Parallel Multi-Task Relationship Learning via Alternating Direction Method of Multipliers [37.859185005986056]
オンラインマルチタスク学習(OMTL)は、複数のタスク間の固有の関係を活用することで、ストリーミングデータ処理を強化する。
本研究では、分散コンピューティング環境に適した最近の最適化である交互方向乗算器法(ADMM)に基づく新しいOMTLフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-09T10:20:13Z) - Learning to Rebalance Multi-Modal Optimization by Adaptively Masking Subnetworks [13.065212096469537]
モーダル有意性を考慮した適応マスクサブネット(adaptively Mask Subnetworks, AMSS)と呼ばれる, サンプリングベース, 要素単位の結合最適化手法を提案する。
具体的には,モーダルの重要度を決定するために相互情報レートを組み込んで,パラメータ更新のために各モーダルからフォアグラウンドワークを選択するために,非一様適応サンプリングを用いる。
理論的知見に基づいて、AMSS+と呼ばれる非バイアス推定を用いたマルチモーダルマスクサブネットワーク戦略をさらに強化する。
論文 参考訳（メタデータ） (2024-04-12T09:22:24Z) - Towards Full-scene Domain Generalization in Multi-agent Collaborative Bird's Eye View Segmentation for Connected and Autonomous Driving [49.03947018718156]
協調的な知覚の訓練と推論の段階で利用される統合されたドメイン一般化フレームワークを提案する。
また、システム内ドメインアライメント機構を導入し、コネクテッドおよび自律走行車間のドメインの差を減らし、潜在的に排除する。
論文 参考訳（メタデータ） (2023-11-28T12:52:49Z) - Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。
ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。
提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
論文 参考訳（メタデータ） (2023-10-10T00:21:10Z) - Multi-Prompt Alignment for Multi-Source Unsupervised Domain Adaptation [86.02485817444216]
マルチプロンプトアライメント(MPA: Multi-Prompt Alignment)は,マルチソースUDAのためのシンプルかつ効率的なフレームワークである。
MPAは、学習したプロンプトを自動エンコードプロセスで認知し、再構築されたプロンプトの合意を最大化することでそれらを調整する。
実験によると、MPAは3つの一般的なデータセットで最先端の結果を達成し、DomainNetの平均精度は54.1%である。
論文 参考訳（メタデータ） (2022-09-30T03:40:10Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-07-27T12:38:37Z) - Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding
Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。
古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。
提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文 参考訳（メタデータ） (2020-06-15T02:57:57Z) - dMFEA-II: An Adaptive Multifactorial Evolutionary Algorithm for
Permutation-based Discrete Optimization Problems [6.943742860591444]
本稿では、最近導入されたMFEA-II(Multifactorial Evolutionary Algorithm II)を、置換に基づく離散環境に適用する。
提案手法の性能を5種類のマルチタスク設定で評価した。
論文 参考訳（メタデータ） (2020-04-14T14:42:47Z)
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。