論文の概要: A Novel Pareto-optimal Ranking Method for Comparing Multi-objective Optimization Algorithms

• arxiv url: http://arxiv.org/abs/2411.17999v1
• Date: Wed, 27 Nov 2024 02:34:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:28:44.329701
• Title: A Novel Pareto-optimal Ranking Method for Comparing Multi-objective Optimization Algorithms
• Title（参考訳）: 多目的最適化アルゴリズムの比較のための新しいパレート・最適ランク付け法
• Authors: Amin Ibrahim, Azam Asilian Bidgoli, Shahryar Rahnamayan, Kalyanmoy Deb,
• Abstract要約: 本稿では,多目的最適化アルゴリズムの性能をランク付けする,新しいマルチメトリック比較手法を提案する。 パレートレベルでの貢献に基づいてアルゴリズムをランク付けする4つの異なる手法が提案されている。 この技術は科学と工学に広く応用されており、特に比較に複数のメトリクスが使用される分野において応用されている。
• 参考スコア（独自算出の注目度）: 2.889178722750616
• License:
• Abstract: As the interest in multi- and many-objective optimization algorithms grows, the performance comparison of these algorithms becomes increasingly important. A large number of performance indicators for multi-objective optimization algorithms have been introduced, each of which evaluates these algorithms based on a certain aspect. Therefore, assessing the quality of multi-objective results using multiple indicators is essential to guarantee that the evaluation considers all quality perspectives. This paper proposes a novel multi-metric comparison method to rank the performance of multi-/ many-objective optimization algorithms based on a set of performance indicators. We utilize the Pareto optimality concept (i.e., non-dominated sorting algorithm) to create the rank levels of algorithms by simultaneously considering multiple performance indicators as criteria/objectives. As a result, four different techniques are proposed to rank algorithms based on their contribution at each Pareto level. This method allows researchers to utilize a set of existing/newly developed performance metrics to adequately assess/rank multi-/many-objective algorithms. The proposed methods are scalable and can accommodate in its comprehensive scheme any newly introduced metric. The method was applied to rank 10 competing algorithms in the 2018 CEC competition solving 15 many-objective test problems. The Pareto-optimal ranking was conducted based on 10 well-known multi-objective performance indicators and the results were compared to the final ranks reported by the competition, which were based on the inverted generational distance (IGD) and hypervolume indicator (HV) measures. The techniques suggested in this paper have broad applications in science and engineering, particularly in areas where multiple metrics are used for comparisons. Examples include machine learning and data mining.
• Abstract（参考訳）: 多目的最適化アルゴリズムへの関心が高まるにつれて、これらのアルゴリズムの性能比較がますます重要になる。 多目的最適化アルゴリズムの性能指標が多数導入されており、それぞれが特定の側面に基づいてこれらのアルゴリズムを評価する。 したがって、複数の指標を用いた多目的結果の品質評価は、評価が全ての品質観点を考慮することを保証するために不可欠である。 本稿では,性能指標の集合に基づく多目的最適化アルゴリズムの性能をランク付けする,新しいマルチメトリック比較手法を提案する。 我々はParetoの最適性の概念(すなわち、非支配的なソートアルゴリズム)を用いて、複数の性能指標を基準/目的として同時に考慮し、アルゴリズムのランクレベルを作成する。 その結果、各パレートレベルでの貢献に基づいてアルゴリズムをランク付けする4つの異なる手法が提案された。 この手法により、研究者は既存の/新しく開発されたパフォーマンス指標を用いて、多目的/多目的のアルゴリズムを適切に評価/ランクすることができる。 提案手法は拡張性が高く,新たに導入された指標を網羅的に適用することができる。 この手法は、2018年のCECコンペティションにおいて、15の多目的テスト問題を解く10の競合アルゴリズムに応用された。 その結果, 逆世代距離 (IGD) と超体積指標 (HV) に基づいて, 競技者が報告した最終ランクと比較した。 本稿で提案する手法は, 科学・工学分野, 特に比較に複数のメトリクスが使用される分野に広く応用されている。 例えば、機械学習やデータマイニングがある。

関連論文リスト

• HRA: A Multi-Criteria Framework for Ranking Metaheuristic Optimization Algorithms [0.0]
  HRAアルゴリズムはメタヒューリスティックアルゴリズムの性能を多くの基準と次元で効率的にランク付けすることを目的としている。 我々は,CEC 2017コンペティションのデータを用いて,HRAフレームワークの堅牢性と有効性を示す。
  論文  参考訳（メタデータ） (2024-09-18T00:44:50Z)
• A Novel Ranking Scheme for the Performance Analysis of Stochastic Optimization Algorithms using the Principles of Severity [9.310464457958844]
  複数の単目的最適化問題に対してアルゴリズムをランク付けする新しいランキング方式を提案する。 アルゴリズムの結果は、ロバストなブートストラップに基づく仮説テスト手法を用いて比較される。
  論文  参考訳（メタデータ） (2024-05-31T19:35:34Z)
• Multi-Dimensional Ability Diagnosis for Machine Learning Algorithms [88.93372675846123]
  本稿では,機械学習アルゴリズム評価のためのタスク非依存評価フレームワークCamillaを提案する。 認識診断の仮定とニューラルネットワークを用いて、各サンプルのアルゴリズム、サンプル、スキル間の複雑な相互作用を学習する。 我々の実験では、カミラはメートル法信頼性、ランクの整合性、ランクの安定性で最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-07-14T03:15:56Z)
• Improved Algorithms for Neural Active Learning [74.89097665112621]
  非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。 本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
  論文  参考訳（メタデータ） (2022-10-02T05:03:38Z)
• Multi-objective learner performance-based behavior algorithm with five multi-objective real-world engineering problems [19.535715565093764]
  提案アルゴリズムは,高校生を高校から大学へ転校させるプロセスに基づいている。 提案手法は,非支配的解の集合を生成する。 その結果、提案された研究が非支配的なソリューションの集合を提供することが証明された。
  論文  参考訳（メタデータ） (2022-01-15T14:17:22Z)
• Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
  決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。 厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。 このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
  論文  参考訳（メタデータ） (2021-11-29T15:10:09Z)
• A survey on multi-objective hyperparameter optimization algorithms for Machine Learning [62.997667081978825]
  本稿では,多目的HPOアルゴリズムに関する2014年から2020年にかけての文献を体系的に調査する。 メタヒューリスティック・ベース・アルゴリズムとメタモデル・ベース・アルゴリズム,および両者を混合したアプローチを区別する。 また,多目的HPO法と今後の研究方向性を比較するための品質指標についても論じる。
  論文  参考訳（メタデータ） (2021-11-23T10:22:30Z)
• A Comparative Evaluation of Quantification Methods [3.1499058381005227]
  量子化は、データセット内のクラス分布を予測する問題を表す。 近年,様々なアルゴリズムが提案されている。 40以上のデータセットで24の異なるメソッドを比較します。
  論文  参考訳（メタデータ） (2021-03-04T18:51:06Z)
• Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
  適応性は現代最適化理論において重要であるが、研究されていない性質である。 提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
  論文  参考訳（メタデータ） (2020-02-13T05:42:27Z)
• Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
  我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。 我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-29T09:40:58Z)

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。