論文の概要: Dynamic Dimension Wrapping (DDW) Algorithm: A Novel Approach for Efficient Cross-Dimensional Search in Dynamic Multidimensional Spaces

• arxiv url: http://arxiv.org/abs/2407.11626v3
• Date: Fri, 15 Nov 2024 11:01:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-18 15:36:40.500479
• Title: Dynamic Dimension Wrapping (DDW) Algorithm: A Novel Approach for Efficient Cross-Dimensional Search in Dynamic Multidimensional Spaces
• Title（参考訳）: 動的次元ラッピング(DDW: Dynamic Dimension Wrapping)アルゴリズム:動的多次元空間における効率的なクロス次元探索のための新しいアプローチ
• Authors: Dongnan Jin, Yali Liu, Qiuzhi Song, Xunju Ma, Yue Liu, Dehao Wu,
• Abstract要約: 本稿では,新しい最適化アルゴリズムである動的次元ラッピング(DDW)を提案する。 このアルゴリズムは動的時間ウォーピング(DTW)とユークリッド距離を組み合わせて、動的多次元空間に適応する適合度関数を設計する。 実験の結果,DDWは動的多次元空間において優れた性能を示し,従来の最適化アルゴリズムよりも優れていた。
• 参考スコア（独自算出の注目度）: 7.426684576987465
• License:
• Abstract: To effectively search for the optimal motion template in dynamic multidimensional space, this paper proposes a novel optimization algorithm, Dynamic Dimension Wrapping (DDW).The algorithm combines Dynamic Time Warping (DTW) and Euclidean distance, and designs a fitness function that adapts to dynamic multidimensional space by establishing a time-data chain mapping across dimensions. This paper also proposes a novel update mechanism,Optimal Dimension Collection (ODC), combined with the search strategy of traditional optimization algorithms, enables DDW to adjust both the dimension values and the number of dimensions of the population individuals simultaneously. In this way, DDW significantly reduces computational complexity and improves search accuracy. Experimental results show that DDW performs excellently in dynamic multidimensional space, outperforming 31 traditional optimization algorithms. This algorithm provides a novel approach to solving dynamic multidimensional optimization problems and demonstrates broad application potential in fields such as motion data analysis.
• Abstract（参考訳）: 動的多次元空間における最適動作テンプレートを効果的に探索するために,新しい最適化アルゴリズムである動的次元ラッピング(DDW)を提案する。 このアルゴリズムは、ダイナミック・タイム・ウォーピング(DTW)とユークリッド距離を組み合わせて、次元をまたいだタイムデータ・チェーン・マッピングを確立することで、動的多次元空間に適応する適合度関数を設計する。 本稿では,従来の最適化アルゴリズムの探索戦略と組み合わせた新しい更新機構である最適次元コレクション(ODC)を提案する。 このように、DDWは計算複雑性を著しく低減し、探索精度を向上させる。 実験の結果,DDWは動的多次元空間において優れた性能を示し,従来の最適化アルゴリズムよりも優れていた。 このアルゴリズムは動的多次元最適化問題に対する新しいアプローチを提供し、運動データ解析などの分野における幅広い応用可能性を示す。

関連論文リスト

• Multiform Evolution for High-Dimensional Problems with Low Effective Dimensionality [36.44425198302701]
  進化的アルゴリズムを高次元最適化問題に拡張する。 全ての定式化を単一のマルチタスク設定に統一するマルチフォーム進化アルゴリズムを開発した。 その結果、目的タスクは様々な低次元探索で進化した解を効率的に再利用することができる。
  論文  参考訳（メタデータ） (2023-12-30T08:13:47Z)
• Flexible Channel Dimensions for Differentiable Architecture Search [50.33956216274694]
  本稿では,効率的な動的チャネル割当アルゴリズムを用いた新しい微分可能なニューラルアーキテクチャ探索法を提案する。 提案するフレームワークは,タスク精度と推論遅延において,従来の手法と等価なDNNアーキテクチャを見つけることができることを示す。
  論文  参考訳（メタデータ） (2023-06-13T15:21:38Z)
• DBA: Efficient Transformer with Dynamic Bilinear Low-Rank Attention [53.02648818164273]
  動的双線形低ランク注意(DBA)という,効率的かつ効果的な注意機構を提案する。 DBAは入力感度の動的射影行列によってシーケンス長を圧縮し、線形時間と空間の複雑さを実現する。 様々なシーケンス長条件のタスクに対する実験は、DBAが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T03:06:36Z)
• Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
  興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。 基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。 我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
  論文  参考訳（メタデータ） (2022-09-27T17:51:31Z)
• Efficient Joint-Dimensional Search with Solution Space Regularization for Real-Time Semantic Segmentation [27.94898516315886]
  この問題に対して,リアルタイムに実行可能な最適ネットワーク構造を探索する。 新たな解空間規則化(SSR)損失は、スーパーネットが離散的に収束することを効果的に促すために最初に提案される。 より高効率な探索を実現するために,新しい階層的・プログレッシブ・ソリューション・スペース・スライキング法を提案する。
  論文  参考訳（メタデータ） (2022-08-10T11:07:33Z)
• Multidimensional Assignment Problem for multipartite entity resolution [69.48568967931608]
  Multipartiteエンティティ解決は、複数のデータセットから1つのエンティティにレコードを統合することを目的としている。 代入問題を解くために、グリーディアルゴリズムと大規模近傍探索という2つの手順を適用する。 データベースのサイズが大きくなるにつれて、設計ベースのマルチスタートがより効率的であることを示す。
  論文  参考訳（メタデータ） (2021-12-06T20:34:55Z)
• Computationally Efficient High-Dimensional Bayesian Optimization via Variable Selection [0.5439020425818999]
  本稿では,変数選択を利用した計算効率の高い高次元BO法を提案する。 提案手法では,選択変数を含む空間を軸整列した部分空間を自動的に学習することができる。 我々は,いくつかの合成および実問題に対する本手法の有効性を実証的に示す。
  論文  参考訳（メタデータ） (2021-09-20T01:55:43Z)
• AutoSpace: Neural Architecture Search with Less Human Interference [84.42680793945007]
  現在のニューラルネットワークアーキテクチャ検索(NAS)アルゴリズムは、ネットワーク構築のための検索空間を設計するための専門知識と努力を必要とします。 探索空間を最適なものに進化させる新しい微分可能な進化フレームワークであるAutoSpaceを提案する。 学習した検索空間では、最近のNASアルゴリズムの性能は、以前手作業で設計した空間に比べて大幅に改善できる。
  論文  参考訳（メタデータ） (2021-03-22T13:28:56Z)
• Learning to Guide Random Search [111.71167792453473]
  我々は、潜在低次元多様体上の高次元関数の微分自由最適化を考える。 最適化を行いながらこの多様体を学習するオンライン学習手法を開発した。 本研究では,連続最適化ベンチマークと高次元連続制御問題について実験的に評価する。
  論文  参考訳（メタデータ） (2020-04-25T19:21:14Z)
• Multi-Resolution A* [19.562565022582785]
  ヒューリスティック検索に基づく計画手法は、離散化された空間上での運動計画に一般的に用いられる。 本稿では,複数の重み付きA*(WA*)探索を同時に行うマルチリゾリューションA*アルゴリズムを提案する。 MRA* はアンカー分解能探索空間と分解能完備性に関して有界な準最適であることを示す。
  論文  参考訳（メタデータ） (2020-04-14T17:38:11Z)

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。