論文の概要: Iterated Local Search with Linkage Learning

• arxiv url: http://arxiv.org/abs/2410.01583v1
• Date: Wed, 2 Oct 2024 14:17:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 16:54:49.192251
• Title: Iterated Local Search with Linkage Learning
• Title（参考訳）: Linkage Learning を用いた反復局所探索
• Authors: Renato Tinós, Michal W. Przewozniczek, Darrell Whitley, Francisco Chicano,
• Abstract要約: ブラックボックス最適化では、経験的リンケージ学習技術を用いて、変数相互作用グラフを少なくとも部分的に発見することができる。 最近提案されたリンケージ学習を用いた局所探索は、反復局所探索の副作用として部分変数相互作用グラフを発見する。 本稿では,変数間の相互作用の強度に関する情報を格納する重み付き変数相互作用グラフを構築するリンクラーニング2を用いた局所探索を提案する。
• 参考スコア（独自算出の注目度）: 2.6624014064407717
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In pseudo-Boolean optimization, a variable interaction graph represents variables as vertices, and interactions between pairs of variables as edges. In black-box optimization, the variable interaction graph may be at least partially discovered by using empirical linkage learning techniques. These methods never report false variable interactions, but they are computationally expensive. The recently proposed local search with linkage learning discovers the partial variable interaction graph as a side-effect of iterated local search. However, information about the strength of the interactions is not learned by the algorithm. We propose local search with linkage learning 2, which builds a weighted variable interaction graph that stores information about the strength of the interaction between variables. The weighted variable interaction graph can provide new insights about the optimization problem and behavior of optimizers. Experiments with NK landscapes, knapsack problem, and feature selection show that local search with linkage learning 2 is able to efficiently build weighted variable interaction graphs. In particular, experiments with feature selection show that the weighted variable interaction graphs can be used for visualizing the feature interactions in machine learning. Additionally, new transformation operators that exploit the interactions between variables can be designed. We illustrate this ability by proposing a new perturbation operator for iterated local search.
• Abstract（参考訳）: 擬ブール最適化において、変数相互作用グラフは変数を頂点として表現し、変数のペア間の相互作用をエッジとして表現する。 ブラックボックス最適化では、経験的リンケージ学習技術を用いて、変数相互作用グラフを少なくとも部分的に発見することができる。 これらの手法は誤った変数の相互作用を報告しないが、計算上は高価である。 最近提案されたリンケージ学習を用いた局所探索は、反復局所探索の副作用として部分変数相互作用グラフを発見する。 しかし、相互作用の強さに関する情報はアルゴリズムでは学ばない。 本稿では,変数間の相互作用の強度に関する情報を格納する重み付き変数相互作用グラフを構築するリンクラーニング2を用いた局所探索を提案する。 重み付き変数相互作用グラフは、最適化問題と最適化者の振舞いに関する新しい洞察を与えることができる。 NKランドスケープ、knapsack問題、特徴選択による実験により、リンケージ学習2を用いた局所探索により、重み付き可変相互作用グラフを効率的に構築できることが示されている。 特に、特徴選択を用いた実験では、重み付けされた変数相互作用グラフが機械学習における特徴相互作用の可視化に利用できることが示されている。 さらに、変数間の相互作用を利用する新しい変換演算子も設計できる。 局所探索を反復する新しい摂動演算子を提案する。

関連論文リスト

• Scalable and Flexible Causal Discovery with an Efficient Test for Adjacency [48.769884734826974]
  因果グラフに2つの変数が隣接しているかどうかを評価するために,スケーラブルで柔軟な手法を構築した。 微分可能隣接テストは指数関数的な数のテストを、証明可能な等価な緩和問題に置き換える。 DAT, DAT-Graphに基づくグラフ学習手法も構築し, 介入したデータから学習する。
  論文  参考訳（メタデータ） (2024-06-13T14:39:40Z)
• Learning Manipulation by Predicting Interaction [85.57297574510507]
  本稿では,インタラクションを予測して操作を学習する一般的な事前学習パイプラインを提案する。 実験の結果,MPIは従来のロボットプラットフォームと比較して10%から64%向上していることがわかった。
  論文  参考訳（メタデータ） (2024-06-01T13:28:31Z)
• Scalable variable selection for two-view learning tasks with projection operators [0.0]
  本稿では,2視点設定やベクトル値による教師付き学習問題に対して,新しい変数選択法を提案する。 当社のフレームワークは,データサンプルの数が数百万にものぼる,非常に大規模な選択タスクを処理できる。
  論文  参考訳（メタデータ） (2023-07-04T08:22:05Z)
• Mold into a Graph: Efficient Bayesian Optimization over Mixed-Spaces [12.891210250935147]
  実世界の最適化問題は、離散変数と連続変数が共存する混合型の入力を含む。 本稿では,ノードとしての変数とエッジによって定義された相互作用の基盤となる関係をモデル化するために,グラフデータ構造を利用する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-02T07:12:18Z)
• Counterfactual Graph Learning for Link Prediction [34.04568972485512]
  そこで本研究では,グラフ学習を現実的推論によって促進する新しいリンク予測手法を提案する。 複数のベンチマークデータセットの実験により,提案手法がリンク予測における最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-06-03T23:27:00Z)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)
• Visual Neural Decomposition to Explain Multivariate Data Sets [13.117139248511783]
  多次元データセットにおける変数間の関係を調べることは、データアナリストとエンジニアにとって共通の課題である。 本稿では,入力変数と対象変数との相関関係を可視化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-09-11T15:53:37Z)
• A Graph-based Interactive Reasoning for Human-Object Interaction Detection [71.50535113279551]
  本稿では,HOIを推論するインタラクティブグラフ(Interactive Graph, in-Graph)という,グラフに基づくインタラクティブ推論モデルを提案する。 In-GraphNet と呼ばれる HOI を検出するための新しいフレームワークを構築した。 私たちのフレームワークはエンドツーエンドのトレーニングが可能で、人間のポーズのような高価なアノテーションはありません。
  論文  参考訳（メタデータ） (2020-07-14T09:29:03Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。