論文の概要: Speeding up Local Search for the Indicator-based Subset Selection Problem by a Candidate List Strategy

• arxiv url: http://arxiv.org/abs/2503.04224v1
• Date: Thu, 06 Mar 2025 09:06:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 16:01:18.399069
• Title: Speeding up Local Search for the Indicator-based Subset Selection Problem by a Candidate List Strategy
• Title（参考訳）: 候補リスト戦略による指標ベースサブセット選択問題の局所探索の高速化
• Authors: Keisuke Korogi, Ryoji Tanabe,
• Abstract要約: 進化的多目的最適化において、指標に基づく部分集合選択問題は、与えられた品質指標を最大化する点の部分集合を見つけることである。 局所探索は、この問題における高品質な部分集合を得るための効果的なアプローチである。 本稿では,指標に基づくサブセット選択問題における局所探索のための候補リスト戦略を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In evolutionary multi-objective optimization, the indicator-based subset selection problem involves finding a subset of points that maximizes a given quality indicator. Local search is an effective approach for obtaining a high-quality subset in this problem. However, local search requires high computational cost, especially as the size of the point set and the number of objectives increase. To address this issue, this paper proposes a candidate list strategy for local search in the indicator-based subset selection problem. In the proposed strategy, each point in a given point set has a candidate list. During search, each point is only eligible to swap with unselected points in its associated candidate list. This restriction drastically reduces the number of swaps at each iteration of local search. We consider two types of candidate lists: nearest neighbor and random neighbor lists. This paper investigates the effectiveness of the proposed candidate list strategy on various Pareto fronts. The results show that the proposed strategy with the nearest neighbor list can significantly speed up local search on continuous Pareto fronts without significantly compromising the subset quality. The results also show that the sequential use of the two lists can address the discontinuity of Pareto fronts.
• Abstract（参考訳）: 進化的多目的最適化において、指標に基づく部分集合選択問題は、与えられた品質指標を最大化する点の部分集合を見つけることである。 局所探索は、この問題における高品質な部分集合を得るための効果的なアプローチである。 しかし、特に点集合のサイズと目的の数が増加するにつれて、局所探索は高い計算コストを必要とする。 そこで本研究では,指標に基づくサブセット選択問題において,局所探索のための候補リスト戦略を提案する。 提案した戦略では、与えられた点集合の各点が候補リストを持つ。 検索中、各ポイントは、関連する候補リストにある未選択のポイントとしか交換できない。 この制限により、局所検索の各イテレーションにおけるスワップ数が大幅に削減される。 近傍の候補リストとランダムな隣接リストの2種類の候補リストについて検討する。 本稿では,パレートにおける候補リスト戦略の有効性について検討する。 提案手法は, 提案手法により, サブセットの品質を著しく損なうことなく, 連続したパレートフロントでの局所探索を著しく高速化できることを示す。 結果は、この2つのリストの連続的な使用は、パレートフロントの不連続性に対処できることを示している。

関連論文リスト

• Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
  本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。 赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2024-06-21T05:57:08Z)
• Optimistic Query Routing in Clustering-based Approximate Maximum Inner Product Search [9.01394829787271]
  この研究は、クラスタリングに基づく最大内部積探索におけるルーティングを研究することによってギャップを埋める。 各シャード内の内積分布のモーメントを組み込んで最大内積を推定する枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-20T17:47:18Z)
• Frequent Itemset-driven Search for Finding Minimum Node Separators in Complex Networks [61.2383572324176]
  本稿では,データマイニングにおける頻繁なアイテムセットマイニングの概念をよく知られたメメティック検索フレームワークに統合する,頻繁なアイテムセット駆動探索手法を提案する。 頻繁なアイテムセット組換え演算子を反復的に使用して、高品質なソリューションで頻繁に発生するアイテムセットに基づいた有望な子孫ソリューションを生成する。 特に、29個の新しい上界を発見し、以前の18個の最もよく知られた境界と一致する。
  論文  参考訳（メタデータ） (2022-01-18T11:16:40Z)
• Adaptive Sampling for Heterogeneous Rank Aggregation from Noisy Pairwise Comparisons [85.5955376526419]
  ランキングアグリゲーション問題では、各項目を比較する際に、様々な精度レベルが示される。 本稿では,ノイズのあるペアワイズ比較によってアイテムのランクを推定する,除去に基づくアクティブサンプリング戦略を提案する。 提案アルゴリズムは,商品の真のランキングを高い確率で返却できることを示す。
  論文  参考訳（メタデータ） (2021-10-08T13:51:55Z)
• Determinantal Beam Search [75.84501052642361]
  ビームサーチは、ニューラルシーケンスモデルをデコードするためのゴーツー戦略である。 複数のソリューションを要求するユースケースでは、多様あるいは代表的なセットがしばしば望まれる。 ビームサーチを一連の部分決定問題として繰り返し行うことにより、アルゴリズムを多種多様なサブセット選択プロセスに変換することができる。
  論文  参考訳（メタデータ） (2021-06-14T13:01:46Z)
• 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)
• Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
  本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。 最小クラスタ回復誤差率のアルゴリズムを考案する。 適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2019-10-14T09:18:26Z)

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。