論文の概要: Efficient Parallel Genetic Algorithm for Perturbed Substructure Optimization in Complex Network
- arxiv url: http://arxiv.org/abs/2412.20980v1
- Date: Mon, 30 Dec 2024 14:32:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-31 16:01:39.699053
- Title: Efficient Parallel Genetic Algorithm for Perturbed Substructure Optimization in Complex Network
- Title（参考訳）: 複雑なネットワークにおける摂動構造最適化のための効率的な並列遺伝的アルゴリズム
- Authors: Shanqing Yu, Meng Zhou, Jintao Zhou, Minghao Zhao, Yidan Song, Yao Lu, Zeyu Wang, Qi Xuan,
- Abstract要約: 遺伝的アルゴリズム(GA)は摂動サブ構造(PSSO)に有意な性能と可能性を示した
本稿では,GAベースのPSSO加速フレームワーク(GAPA)を初めて紹介する。
- 参考スコア（独自算出の注目度）: 12.03018614511266
- License:
- Abstract: Evolutionary computing, particularly genetic algorithm (GA), is a combinatorial optimization method inspired by natural selection and the transmission of genetic information, which is widely used to identify optimal solutions to complex problems through simulated programming and iteration. Due to its strong adaptability, flexibility, and robustness, GA has shown significant performance and potentiality on perturbed substructure optimization (PSSO), an important graph mining problem that achieves its goals by modifying network structures. However, the efficiency and practicality of GA-based PSSO face enormous challenges due to the complexity and diversity of application scenarios. While some research has explored acceleration frameworks in evolutionary computing, their performance on PSSO remains limited due to a lack of scenario generalizability. Based on these, this paper is the first to present the GA-based PSSO Acceleration framework (GAPA), which simplifies the GA development process and supports distributed acceleration. Specifically, it reconstructs the genetic operation and designs a development framework for efficient parallel acceleration. Meanwhile, GAPA includes an extensible library that optimizes and accelerates 10 PSSO algorithms, covering 4 crucial tasks for graph mining. Comprehensive experiments on 18 datasets across 4 tasks and 10 algorithms effectively demonstrate the superiority of GAPA, achieving an average of 4x the acceleration of Evox. The repository is in https://github.com/NetAlsGroup/GAPA.
- Abstract（参考訳）: 進化的コンピューティング、特に遺伝的アルゴリズム(GA)は、自然選択と遺伝情報の伝達にインスパイアされた組合せ最適化手法であり、シミュレーションプログラミングと反復によって複雑な問題の最適解を特定するために広く用いられている。
強い適応性、柔軟性、堅牢性のため、GAは、ネットワーク構造を変更することでその目標を達成する重要なグラフマイニング問題である摂動構造最適化(PSSO)において、大きな性能とポテンシャルを示してきた。
しかし、GAベースのPSSOの効率性と実用性は、アプリケーションのシナリオの複雑さと多様性のために大きな課題に直面している。
進化コンピューティングにおける加速フレームワークを探求する研究もあるが、PSSOの性能はシナリオの一般化性の欠如により制限されている。
そこで本研究では,GA開発プロセスを簡略化し,分散高速化をサポートするGAベースPSSO加速フレームワーク(GAPA)を初めて提示する。
具体的には、遺伝子操作を再構築し、効率的な並列加速のための開発フレームワークを設計する。
一方、GAPAには10のPSSOアルゴリズムを最適化し、加速する拡張可能なライブラリが含まれており、グラフマイニングの4つの重要なタスクをカバーしている。
4つのタスクと10のアルゴリズムにわたる18のデータセットに関する総合的な実験は、GAPAの優位性を効果的に証明し、Evoxの4倍の加速を達成する。
リポジトリはhttps://github.com/NetAlsGroup/GAPAにある。
関連論文リスト
- Simulation-based optimization of a production system topology -- a
neural network-assisted genetic algorithm [0.0]
遺伝的アルゴリズム(GA)を用いた生産システムのトポロジー最適化のための新しい手法を提案する
GAの拡張では、ニューラルネットワークがシミュレーションの代理モデルとして機能する。
どちらの手法も、産業環境で最適解を見つけるのに効果的である。
論文 参考訳（メタデータ） (2024-02-02T15:52:10Z) - T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。
実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文 参考訳（メタデータ） (2023-10-05T02:58:29Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - The FAIRy Tale of Genetic Algorithms [1.0957528713294875]
Findable、Accessible、Interoperable、Reusable(FAIR)のデータ原則を拡張して、アルゴリズムの遺伝的および再使用を可能にしました。
我々は,GAの方法論的展開と変種について概説し,適切なソースの再現や発見を困難にしている。
この作業は、多数の機械学習アルゴリズム/メソッドに拡張することができる。
論文 参考訳（メタデータ） (2023-04-29T11:36:09Z) - Genetically Modified Wolf Optimization with Stochastic Gradient Descent
for Optimising Deep Neural Networks [0.0]
本研究の目的は、人口ベースメタヒューリスティックアルゴリズムを用いて、ニューラルネットワーク(NN)重み付けを最適化するための代替アプローチを分析することである。
Grey Wolf (GWO) と Genetic Modified Algorithms (GA) のハイブリッドをグラディエント・Descent (SGD) と組み合わせて検討した。
このアルゴリズムは、高次元性の問題にも対処しながら、エクスプロイトと探索の組み合わせを可能にする。
論文 参考訳（メタデータ） (2023-01-21T13:22:09Z) - Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and
Stability [67.8426046908398]
汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。
本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
論文 参考訳（メタデータ） (2022-04-08T20:46:16Z) - Surrogate-Assisted Genetic Algorithm for Wrapper Feature Selection [4.89253144446913]
複数レベルの近似やサロゲートを利用する新しい多段階特徴選択フレームワークを提案する。
実験の結果, SAGAはラッパーGAの3倍の速度で, ほぼ最適解に到達できることがわかった。
論文 参考訳（メタデータ） (2021-11-17T12:33:18Z) - ES-Based Jacobian Enables Faster Bilevel Optimization [53.675623215542515]
バイレベル最適化(BO)は多くの現代の機械学習問題を解決する強力なツールとして生まれてきた。
既存の勾配法では、ヤコビアンあるいはヘッセンベクトル計算による二階微分近似が必要となる。
本稿では,進化戦略(ES)に基づく新しいBOアルゴリズムを提案し,BOの過勾配における応答ヤコビ行列を近似する。
論文 参考訳（メタデータ） (2021-10-13T19:36:50Z) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳（メタデータ） (2021-06-09T08:05:36Z) - Population network structure impacts genetic algorithm optimisation
performance [0.0]
遺伝的アルゴリズム (GA) は自然進化をシミュレートして解の集団を最適化する探索法である。
ソーシャルネットワークは、2人が交尾する可能性を条件にすることができる。
我々は,ネットワーク遺伝的アルゴリズム(NGA)を導入し,多様なランダム・スケールフリーな集団ネットワークがGAの最適化性能に与える影響を評価する。
論文 参考訳（メタデータ） (2021-04-09T09:06:04Z) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳（メタデータ） (2020-07-09T10:19:22Z)
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。