論文の概要: A Performance Investigation of Multimodal Multiobjective Optimization Algorithms in Solving Two Types of Real-World Problems
- arxiv url: http://arxiv.org/abs/2412.03013v1
- Date: Wed, 04 Dec 2024 04:02:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-05 15:09:30.670999
- Title: A Performance Investigation of Multimodal Multiobjective Optimization Algorithms in Solving Two Types of Real-World Problems
- Title（参考訳）: 2種類の実世界の問題の解法におけるマルチモーダル多目的最適化アルゴリズムの性能検証
- Authors: Zhiqiu Chen, Zong-Gan Chen, Yuncheng Jiang, Zhi-Hui Zhan,
- Abstract要約: 特徴選択と位置選択の2種類の実世界のマルチモーダル多目的最適化問題を定式化する。
この2つの現実世界の問題を解決するために,既存の7つのMMOAの性能評価を行った。
実験結果の分析では,MMOAの特徴を検証し,実世界のアプリケーションで適切なMMOAを選択するための洞察を提供する。
- 参考スコア（独自算出の注目度）: 11.276725259527005
- License:
- Abstract: In recent years, multimodal multiobjective optimization algorithms (MMOAs) based on evolutionary computation have been widely studied. However, existing MMOAs are mainly tested on benchmark function sets such as the 2019 IEEE Congress on Evolutionary Computation test suite (CEC 2019), and their performance on real-world problems is neglected. In this paper, two types of real-world multimodal multiobjective optimization problems in feature selection and location selection respectively are formulated. Moreover, four real-world datasets of Guangzhou, China are constructed for location selection. An investigation is conducted to evaluate the performance of seven existing MMOAs in solving these two types of real-world problems. An analysis of the experimental results explores the characteristics of the tested MMOAs, providing insights for selecting suitable MMOAs in real-world applications.
- Abstract（参考訳）: 近年,進化計算に基づくマルチモーダル多目的最適化アルゴリズム (MMOA) が広く研究されている。
しかしながら、既存のMMOAは主に2019年のIEEE Congress on Evolutionary Computation test suite (CEC 2019)のようなベンチマーク関数セットでテストされており、実際の問題に対するそれらのパフォーマンスは無視されている。
本稿では,特徴選択と位置選択の2種類の実世界のマルチモーダル多目的最適化問題を定式化する。
また、中国広州市の4つの実世界のデータセットが位置選択のために構築されている。
この2つの現実世界の問題を解決するために,既存の7つのMMOAの性能評価を行った。
実験結果の分析では,MMOAの特徴を検証し,実世界のアプリケーションで適切なMMOAを選択するための洞察を提供する。
関連論文リスト
- LLaMA-Berry: Pairwise Optimization for O1-like Olympiad-Level Mathematical Reasoning [56.273799410256075]
このフレームワークはMonte Carlo Tree Search (MCTS)と反復的なSelf-Refineを組み合わせて推論パスを最適化する。
このフレームワークは、一般的なベンチマークと高度なベンチマークでテストされており、探索効率と問題解決能力の点で優れた性能を示している。
論文 参考訳（メタデータ） (2024-10-03T18:12:29Z) - A Two-stage Evolutionary Framework For Multi-objective Optimization [8.253379910879795]
多目的最適化のための2段階進化フレームワーク(TEMOF)
1つの古典的MOEAと2つの最先端MOEAがフレームワークに統合され、3つの新しいアルゴリズムが形成される。
3つの新しいアルゴリズムの勝者は、既存のMOEAと比較され、より良い結果を示す。
論文 参考訳（メタデータ） (2024-07-09T04:14:59Z) - MMG-Ego4D: Multi-Modal Generalization in Egocentric Action Recognition [73.80088682784587]
MMG(Multimodal Generalization)は,特定のモダリティのデータに制限がある場合,あるいは完全に欠落する場合に,システムがどのように一般化できるかを研究することを目的としている。
MMGは2つの新しいシナリオで構成され、現実のアプリケーションにおけるセキュリティと効率の考慮をサポートするように設計されている。
新しい融合モジュールは、モダリティのドロップアウトトレーニング、コントラストベースのアライメントトレーニング、そして新しいクロスモーダル損失により、より優れた数ショット性能を実現した。
論文 参考訳（メタデータ） (2023-05-12T03:05:40Z) - Exploiting modality-invariant feature for robust multimodal emotion
recognition with missing modalities [76.08541852988536]
我々は、欠落したモダリティ・イマジネーション・ネットワーク(IF-MMIN)に不変な特徴を用いることを提案する。
提案モデルは,不確実なモダリティ条件下で,すべてのベースラインを上回り,全体の感情認識性能を不変に向上することを示す。
論文 参考訳（メタデータ） (2022-10-27T12:16:25Z) - Multi-Objective GFlowNets [59.16787189214784]
本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。
薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。
GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
論文 参考訳（メタデータ） (2022-10-23T16:15:36Z) - Multimodal Multi-objective Optimization: Comparative Study of the
State-of-the-Art [9.815900424538613]
マルチモーダル多目的問題(MMOP)は、意思決定空間における遠い解が、非常に類似した目的値に対応する実世界の問題に現れる。
MMOPの全ての解を得るために、多くのマルチモーダル多目的進化アルゴリズム(MMEA)が提案されている。
論文 参考訳（メタデータ） (2022-07-11T09:21:06Z) - Benchmark Functions for CEC 2022 Competition on Seeking Multiple Optima
in Dynamic Environments [15.075191738272098]
マルチモーダル最適化問題(DMMOP)は進化と群知能の分野で長年研究されてきた。
このコンペティションでは、現実世界のアプリケーションをモデル化するDMMOPに関するテストスーツが提供される。
この計量はアルゴリズムの性能を測定するためにも用いられるが、これは全ての環境で見つかる最適解の平均数を考えるものである。
論文 参考訳（メタデータ） (2022-01-03T08:44:33Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳（メタデータ） (2021-10-18T14:00:22Z) - Decomposition in Decision and Objective Space for Multi-Modal
Multi-Objective Optimization [15.681236469530397]
多モード多目的最適化問題(MMMOP)はパレート最適集合内に複数の部分集合を持つ。
一般的な多目的進化的アルゴリズムは、複数の解部分集合を探索するために純粋に設計されていないが、MMMOP向けに設計されたアルゴリズムは、目的空間における劣化した性能を示す。
これは、MMMOPに対処するためのより良いアルゴリズムの設計を動機付けている。
論文 参考訳（メタデータ） (2020-06-04T03:18:47Z) - Hybrid Adaptive Evolutionary Algorithm for Multi-objective Optimization [0.0]
本稿では、MoHAEAと呼ばれるハイブリッド適応進化アルゴリズム(HAEA)の拡張として、新しい多目的アルゴリズムを提案する。
MoHAEAは、MOEA/D、pa$lambda$-MOEA/D、MOEA/D-AWA、NSGA-IIの4つの状態と比較される。
論文 参考訳（メタデータ） (2020-04-29T02:16:49Z) - Hybrid Generative-Retrieval Transformers for Dialogue Domain Adaptation [77.62366712130196]
マルチドメイン MetaLWOz データセットに微調整した GPT-2 に基づくハイブリッド生成・検索モデル DSTC8 の高速領域適応タスクにおける入賞条件について述べる。
提案モデルでは,MetaLWOz上の解析論理をフォールバックとして使用し,人間の評価におけるSoTA(第2位システムよりも4%向上)と,未知のMultiWOZデータセットに適応した競合一般化性能を実現する。
論文 参考訳（メタデータ） (2020-03-03T18:07:42Z)
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。