論文の概要: Separate Generation and Evaluation for Parallel Greedy Best-First Search
- arxiv url: http://arxiv.org/abs/2408.05682v1
- Date: Sun, 11 Aug 2024 03:29:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-13 16:07:35.531134
- Title: Separate Generation and Evaluation for Parallel Greedy Best-First Search
- Title(参考訳): 並列グレディベストファースト検索の分離生成と評価
- Authors: Takumi Shimoda, Alex Fukunaga,
- Abstract要約: グレディベスト1次探索 (GBFS) の並列化は, 直接並列化が逐次GBFSと大きく異なる検索動作をもたらすため, 困難である。
近年の研究では、Bentch Transition System (BTS) 探索に探索を制約する並列GBFSアルゴリズムのクラスが提案されている。
本稿では、状態生成と状態評価を分離し、状態評価率を大幅に改善する並列探索の改善を提案する。
- 参考スコア(独自算出の注目度): 2.0718016474717196
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Parallelization of Greedy Best First Search (GBFS) has been difficult because straightforward parallelization can result in search behavior which differs significantly from sequential GBFS, exploring states which would not be explored by sequential GBFS with any tie-breaking strategy. Recent work has proposed a class of parallel GBFS algorithms which constrains search to exploration of the Bench Transition System (BTS), which is the set of states that can be expanded by GBFS under some tie-breaking policy. However, enforcing this constraint is costly, as such BTS-constrained algorithms are forced to spend much of the time waiting so that only states which are guaranteed to be in the BTS are expanded. We propose an improvement to parallel search which decouples state generation and state evaluation and significantly improves state evaluation rate, resulting in better search performance.
- Abstract(参考訳): グレディ・ベスト・ファースト・サーチ(GBFS)の並列化は、直接並列化がシーケンシャルGBFSと大きく異なる検索動作をもたらす可能性があるため困難であり、シーケンシャルGBFSがタイブリング戦略で探索しない状態を探究している。
近年,BTS (Bench Transition System) の探索に制約を課す並列GBFSアルゴリズムのクラスが提案されている。
しかし、この制約を強制するにはコストがかかるため、BTSに制限されたアルゴリズムは、BTSに含まれることが保証される状態のみを拡張するために、多くの時間を待たなければならない。
本稿では,状態生成と状態評価を分離し,状態評価率を大幅に改善し,検索性能を向上する並列探索の改良を提案する。
関連論文リスト
- Generation of Granular-Balls for Clustering Based on the Principle of Justifiable Granularity [51.58924743533048]
本稿では,クラスタリングタスクのための新しいGB生成手法を紹介する。
GB のカバレッジと特異性を定義し,GB 品質を評価するための包括的尺度を導入する。
従来のGB生成手法と比較して、新しい手法は生成したGBの全体的な品質を最大化する。
論文 参考訳(メタデータ) (2024-05-11T04:21:32Z) - Hierarchical Topological Ordering with Conditional Independence Test for
Limited Time Series [40.236595154429246]
条件付き独立性テスト(HT-CIT)を用いた階層型トポロジカル順序付けアルゴリズムを提案する。
HT-CITアルゴリズムは、刈り取るべきエッジの数を大幅に削減する。
合成および実世界のデータセットから得られた実験結果は,提案したHT-CITアルゴリズムの優位性を示している。
論文 参考訳(メタデータ) (2023-08-16T05:01:33Z) - GBG++: A Fast and Stable Granular Ball Generation Method for
Classification [18.611701583873504]
グラニュラーボールコンピューティングは効率的で堅牢でスケーラブルな学習方法である。
既存のGBG法の安定性と効率をさらに改善する必要がある。
まず, 高速かつ安定なGBG (GBG++) 手法を提案する。
論文 参考訳(メタデータ) (2023-05-29T04:00:19Z) - Continuous Monte Carlo Graph Search [61.11769232283621]
連続モンテカルログラフサーチ(Continuous Monte Carlo Graph Search, CMCGS)は、モンテカルログラフサーチ(MCTS)のオンラインプランニングへの拡張である。
CMCGSは、計画中、複数の州で同じ行動方針を共有することで高いパフォーマンスが得られるという洞察を生かしている。
並列化によってスケールアップすることができ、学習力学モデルによる連続制御においてクロスエントロピー法(CEM)よりも優れている。
論文 参考訳(メタデータ) (2022-10-04T07:34:06Z) - Parallel Training of GRU Networks with a Multi-Grid Solver for Long
Sequences [1.9798034349981162]
本稿では,GRU(Gated Recurrent Unit)ネットワークのための並列学習手法を提案する。
MGRITはシーケンスを複数の短いサブシーケンスに分割し、異なるプロセッサ上のサブシーケンスを並列に訓練する。
HMDB51データセットにおいて、各ビデオが画像シーケンスである実験結果から、新しい並列トレーニングスキームがシリアルアプローチよりも最大6.5$times$スピードアップを達成することを示した。
論文 参考訳(メタデータ) (2022-03-07T11:32:44Z) - A binary variant of gravitational search algorithm and its application
to windfarm layout optimization problem [0.7734726150561088]
本稿では, 2次探索空間 (BNAGGSA) のための GSA 内に, 重力定数を埋め込んだ新しい近傍アーカイブ (A novel neighborhood Archives embedded gravity constants) を提案する。
提案アルゴリズムは、エージェントが最適なステップサイズで最適な方向に移動する自己適応的なステップサイズ機構を生成する。
実世界の応用における提案アルゴリズムの適用性を確認するために,風向配置最適化の問題を検討する。
論文 参考訳(メタデータ) (2021-07-25T16:56:19Z) - Parallelizing Contextual Linear Bandits [82.65675585004448]
並列な)コンテキスト線形バンディットアルゴリズムの族を提示し、その遺残はそれらの完全シーケンシャルなアルゴリズムとほぼ同一である。
また,これらの並列アルゴリズムについて,材料発見や生物配列設計の問題など,いくつかの領域で実証評価を行った。
論文 参考訳(メタデータ) (2021-05-21T22:22:02Z) - Improved Branch and Bound for Neural Network Verification via Lagrangian
Decomposition [161.09660864941603]
ニューラルネットワークの入出力特性を公式に証明するためのブランチとバウンド(BaB)アルゴリズムのスケーラビリティを改善します。
活性化に基づく新しい分岐戦略とBaBフレームワークであるブランチとデュアルネットワーク境界(BaDNB)を提案する。
BaDNBは、従来の完全検証システムを大きなマージンで上回り、対数特性で平均検証時間を最大50倍に削減した。
論文 参考訳(メタデータ) (2021-04-14T09:22:42Z) - Secure Bilevel Asynchronous Vertical Federated Learning with Backward
Updating [159.48259714642447]
垂直拡張学習(VFL)は、多人数協調モデリングの要求とプライバシー漏洩の懸念により、注目を集めている。
我々は,vf$b2$を含む3つの新しいアルゴリズムを提案する新しいbftextlevel parallel architecture (vf$bfb2$)を提案する。
論文 参考訳(メタデータ) (2021-03-01T12:34:53Z) - Privacy-Preserving Asynchronous Federated Learning Algorithms for
Multi-Party Vertically Collaborative Learning [151.47900584193025]
本稿では,非同期フェデレーションSGD(AFSGD-VP)アルゴリズムとその垂直分割データ上でのSVRGおよびSAGA変種を提案する。
我々の知る限り、AFSGD-VPとそのSVRGおよびSAGAの変種は、垂直に分割されたデータのための最初の非同期フェデレーション学習アルゴリズムである。
論文 参考訳(メタデータ) (2020-08-14T08:08:15Z)
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。