論文の概要: Hilbert curves for efficient exploratory landscape analysis neighbourhood sampling
- arxiv url: http://arxiv.org/abs/2408.00526v1
- Date: Thu, 1 Aug 2024 12:57:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-04 20:36:37.945591
- Title: Hilbert curves for efficient exploratory landscape analysis neighbourhood sampling
- Title（参考訳）: 効率的な探索的景観解析のためのヒルベルト曲線
- Authors: Johannes J. Pienaar, Anna S. Bosman, Katherine M. Malan,
- Abstract要約: 高品質な秩序標本を効率よく得る方法として,ヒルベルト空間充填曲線を提案する。
サンプルとしてヒルベルト曲線の有効性を検討した結果,計算コストのごく一部で有意な特徴を抽出できることが判明した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Landscape analysis aims to characterise optimisation problems based on their objective (or fitness) function landscape properties. The problem search space is typically sampled, and various landscape features are estimated based on the samples. One particularly salient set of features is information content, which requires the samples to be sequences of neighbouring solutions, such that the local relationships between consecutive sample points are preserved. Generating such spatially correlated samples that also provide good search space coverage is challenging. It is therefore common to first obtain an unordered sample with good search space coverage, and then apply an ordering algorithm such as the nearest neighbour to minimise the distance between consecutive points in the sample. However, the nearest neighbour algorithm becomes computationally prohibitive in higher dimensions, thus there is a need for more efficient alternatives. In this study, Hilbert space-filling curves are proposed as a method to efficiently obtain high-quality ordered samples. Hilbert curves are a special case of fractal curves, and guarantee uniform coverage of a bounded search space while providing a spatially correlated sample. We study the effectiveness of Hilbert curves as samplers, and discover that they are capable of extracting salient features at a fraction of the computational cost compared to Latin hypercube sampling with post-factum ordering. Further, we investigate the use of Hilbert curves as an ordering strategy, and find that they order the sample significantly faster than the nearest neighbour ordering, without sacrificing the saliency of the extracted features.
- Abstract（参考訳）: ランドスケープ分析は,ランドスケープ特性の客観的(あるいは適合性)に基づいて最適化問題を特徴づけることを目的としている。
問題探索空間は典型的にサンプリングされ,サンプルに基づいて様々な景観特徴を推定する。
特に顕著な特徴の1つは、サンプルが連続するサンプルポイント間の局所的な関係が保存されるように、近隣のソリューションのシーケンスである必要がある情報内容である。
このような空間的相関のあるサンプルを生成して検索空間のカバレッジを向上することは困難である。
したがって, 探索空間が良好な未順序標本を得るのが一般的であり, 次いで, 近傍近傍などの順序付けアルゴリズムを適用して, 連続点間の距離を最小化する。
しかし、最寄りのアルゴリズムは高次元では計算が禁じられるため、より効率的な代替手段が必要である。
本研究では,高品質な秩序試料を効率よく得られる方法として,ヒルベルト空間充填曲線を提案する。
ヒルベルト曲線はフラクタル曲線の特別な場合であり、空間的に相関したサンプルを提供しながら、有界探索空間の均一なカバレッジを保証する。
本研究では,Hilbert曲線をサンプルとして有効性について検討し,製造後順序付けによるラテンハイパーキューブサンプリングと比較して,計算コストのごく一部で有意な特徴を抽出できることを発見した。
さらに, ヒルベルト曲線を順序付け戦略として用いて, 抽出した特徴の塩分濃度を犠牲にすることなく, 近傍の順序付けよりもはるかに高速に試料を注文できることを見出した。
関連論文リスト
- Optimal sampling for least-squares approximation [0.8702432681310399]
ランダムサンプルから(重み付けされた)最小二乗近似の解析において、クリスティーフェル関数を重要な量として導入する。
ほぼ最適なサンプル複雑性を持つサンプリング戦略を構築するためにどのように使用できるかを示す。
論文 参考訳（メタデータ） (2024-09-04T00:06:23Z) - Random Exploration in Bayesian Optimization: Order-Optimal Regret and
Computational Efficiency [18.17090625880964]
本研究では,分布から引き出されたランダムサンプルを用いて領域を探索する手法について検討する。
このランダム探索手法が最適誤差率を達成することを示す。
論文 参考訳（メタデータ） (2023-10-23T20:30:44Z) - Sample Complexity for Quadratic Bandits: Hessian Dependent Bounds and
Optimal Algorithms [64.10576998630981]
最適なヘッセン依存型サンプルの複雑さを, 初めて厳密に評価した。
ヘシアン非依存のアルゴリズムは、すべてのヘシアンインスタンスに対して最適なサンプル複雑さを普遍的に達成する。
本アルゴリズムにより得られたサンプルの最適複雑さは,重み付き雑音分布においても有効である。
論文 参考訳（メタデータ） (2023-06-21T17:03:22Z) - Learning Rate Free Sampling in Constrained Domains [21.853333421463603]
我々は、完全に学習率の低い制約付き領域をサンプリングするための新しい粒子ベースのアルゴリズム一式を導入する。
我々は,本アルゴリズムの性能を,単純度に基づくターゲットからのサンプリングを含む,様々な数値的な例で示す。
論文 参考訳（メタデータ） (2023-05-24T09:31:18Z) - Local policy search with Bayesian optimization [73.0364959221845]
強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。
局所探索のための政策勾配は、しばしばランダムな摂動から得られる。
目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2021-06-22T16:07:02Z) - Hiding Among the Clones: A Simple and Nearly Optimal Analysis of Privacy
Amplification by Shuffling [49.43288037509783]
ランダムシャッフルは、局所的ランダム化データの差分プライバシー保証を増幅する。
私たちの結果は、以前の作業よりも単純で、ほぼ同じ保証で差分プライバシーに拡張された新しいアプローチに基づいています。
論文 参考訳（メタデータ） (2020-12-23T17:07:26Z) - Optimal oracle inequalities for solving projected fixed-point equations [53.31620399640334]
ヒルベルト空間の既知の低次元部分空間を探索することにより、確率観測の集合を用いて近似解を計算する手法を検討する。
本稿では,線形関数近似を用いた政策評価問題に対する時間差分学習手法の誤差を正確に評価する方法について述べる。
論文 参考訳（メタデータ） (2020-12-09T20:19:32Z) - Revisiting the Sample Complexity of Sparse Spectrum Approximation of
Gaussian Processes [60.479499225746295]
本稿では,ガウス過程に対して,パラメータ空間全体に対して同時に保持可能な保証付きスケーラブルな近似を導入する。
我々の近似は、スパーススペクトルガウス過程(SSGP)のための改良されたサンプル複雑性解析から得られる。
論文 参考訳（メタデータ） (2020-11-17T05:41:50Z) - Non-Adaptive Adaptive Sampling on Turnstile Streams [57.619901304728366]
カラムサブセット選択、部分空間近似、射影クラスタリング、および空間サブリニアを$n$で使用するターンタイルストリームのボリュームに対する最初の相対エラーアルゴリズムを提供する。
我々の適応的なサンプリング手法は、様々なデータ要約問題に多くの応用をもたらしており、これは最先端を改善するか、より緩和された行列列モデルで以前に研究されただけである。
論文 参考訳（メタデータ） (2020-04-23T05:00:21Z) - Mean shift cluster recognition method implementation in the nested
sampling algorithm [0.0]
ネストサンプリングはベイズ証拠と後続パラメータ確率分布の計算に有効なアルゴリズムである。
本稿では,ランダムウォークサーチアルゴリズムに実装された平均シフトクラスタ認識法に基づく新しい解を提案する。
論文 参考訳（メタデータ） (2020-01-31T15:04:30Z)
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。