論文の概要: Island-Based Evolutionary Computation with Diverse Surrogates and Adaptive Knowledge Transfer for High-Dimensional Data-Driven Optimization

• arxiv url: http://arxiv.org/abs/2503.12856v1
• Date: Mon, 17 Mar 2025 06:35:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 16:00:26.822511
• Title: Island-Based Evolutionary Computation with Diverse Surrogates and Adaptive Knowledge Transfer for High-Dimensional Data-Driven Optimization
• Title（参考訳）: 高次元データ駆動最適化のための多変量サロゲートを用いた島型進化計算と適応的知識伝達
• Authors: Xian-Rong Zhang, Yue-Jiao Gong, Zhiguang Cao, Jun Zhang,
• Abstract要約: 本稿ではDSKT-DDEAというオフラインデータ駆動進化アルゴリズムを提案する。 我々のアルゴリズムは、1000次元の問題について最先端のDDEAと競合する。
• 参考スコア（独自算出の注目度）: 22.363265173423454
• License:
• Abstract: In recent years, there has been a growing interest in data-driven evolutionary algorithms (DDEAs) employing surrogate models to approximate the objective functions with limited data. However, current DDEAs are primarily designed for lower-dimensional problems and their performance drops significantly when applied to large-scale optimization problems (LSOPs). To address the challenge, this paper proposes an offline DDEA named DSKT-DDEA. DSKT-DDEA leverages multiple islands that utilize different data to establish diverse surrogate models, fostering diverse subpopulations and mitigating the risk of premature convergence. In the intra-island optimization phase, a semi-supervised learning method is devised to fine-tune the surrogates. It not only facilitates data argumentation, but also incorporates the distribution information gathered during the search process to align the surrogates with the evolving local landscapes. Then, in the inter-island knowledge transfer phase, the algorithm incorporates an adaptive strategy that periodically transfers individual information and evaluates the transfer effectiveness in the new environment, facilitating global optimization efficacy. Experimental results demonstrate that our algorithm is competitive with state-of-the-art DDEAs on problems with up to 1000 dimensions, while also exhibiting decent parallelism and scalability. Our DSKT-DDEA is open-source and accessible at: https://github.com/LabGong/DSKT-DDEA.
• Abstract（参考訳）: 近年,データ駆動進化アルゴリズム(DDEA)への関心が高まっている。 しかし、現在のDDEAは、主に低次元問題のために設計されており、大規模な最適化問題(LSOP)に適用した場合、その性能は著しく低下する。 本稿では,DSKT-DDEAというオフラインDDEAを提案する。 DSKT-DDEAは、異なるデータを利用する複数の島を利用して、多様な代理モデルを確立し、多様なサブ集団を育成し、早期収束のリスクを軽減する。 島内最適化フェーズでは,サロゲートを微調整する半教師付き学習法が考案されている。 データ議論を容易にするだけでなく、探索プロセス中に収集された分布情報も組み込んで、サロゲートを進化するローカルな景観と整合させる。 そして、島間知識伝達フェーズにおいて、このアルゴリズムは、個別情報を定期的に転送し、新しい環境における転送の有効性を評価し、グローバルな最適化効果を促進する適応戦略を組み込む。 実験結果から,本アルゴリズムは1000次元以上の問題に対して,最先端のDDEAと競合する一方で,適切な並列性や拡張性も示している。 私たちのDSKT-DDEAはオープンソースで、https://github.com/LabGong/DSKT-DDEAでアクセスできます。

関連論文リスト

• Goal-Conditioned Data Augmentation for Offline Reinforcement Learning [3.5775697416994485]
  Goal-cOnditioned Data Augmentation (GODA) は、ゴール条件付き拡散法である。 GODAは、元のオフラインデータセットの包括的な分布表現を学習し、選択的に高いリターン目標を持つ新しいデータを生成する。 我々は,D4RLベンチマークと実世界の課題,特に交通信号制御(TSC)タスクについて実験を行い,GODAの有効性を実証する。
  論文  参考訳（メタデータ） (2024-12-29T16:42:30Z)
• Accelerated Methods with Compressed Communications for Distributed Optimization Problems under Data Similarity [55.03958223190181]
  本稿では,データ類似性の下での非バイアス圧縮とバイアス圧縮を利用した,理論上初めての高速化アルゴリズムを提案する。 我々の結果は、異なる平均損失とデータセットに関する実験によって記録され、確認されています。
  論文  参考訳（メタデータ） (2024-12-21T00:40:58Z)
• Unveiling the Superior Paradigm: A Comparative Study of Source-Free Domain Adaptation and Unsupervised Domain Adaptation [52.36436121884317]
  Source-Free Domain Adaptation (SFDA) は、現実のシナリオにおいて、Unsupervised Domain Adaptation (UDA) よりも一般的に優れていることを示す。 SFDAは、時間効率、ストレージ要件、対象とする学習目標、負の移動リスクの低減、過度な適合に対する堅牢性の向上といった利点を提供している。 利用可能なソースデータをマルチSFDA手法に効果的に統合する新しい重み推定法を提案する。
  論文  参考訳（メタデータ） (2024-11-24T13:49:29Z)
• LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
  本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。 LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。 我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
  論文  参考訳（メタデータ） (2024-02-06T19:18:04Z)
• Subject-Based Domain Adaptation for Facial Expression Recognition [51.10374151948157]
  ディープラーニングモデルを特定の対象個人に適用することは、難しい表情認識タスクである。 本稿では、FERにおける主観的ドメイン適応のための新しいMSDA手法を提案する。 複数の情報源からの情報を効率的に利用して、ディープFERモデルを単一のターゲット個人に適応させる。
  論文  参考訳（メタデータ） (2023-12-09T18:40:37Z)
• Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
  Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。 IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。 提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
  論文  参考訳（メタデータ） (2023-09-25T15:56:01Z)
• Distributionally Robust Cross Subject EEG Decoding [15.211091130230589]
  本稿では,デコードロバスト性を改善するために,データ上で動的に進化する原理的手法を提案する。 We derived a general data evolution framework based on Wasserstein gradient flow (WGF) and provide two different form of evolution within the framework。 提案手法は、さらなる改善のために、他のデータ拡張手法と容易に統合できる。
  論文  参考訳（メタデータ） (2023-08-19T11:31:33Z)
• Federated Offline Reinforcement Learning [55.326673977320574]
  マルチサイトマルコフ決定プロセスモデルを提案する。 我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。 提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
  論文  参考訳（メタデータ） (2022-06-11T18:03:26Z)
• Data-Driven Evolutionary Multi-Objective Optimization Based on Multiple-Gradient Descent for Disconnected Pareto Fronts [6.560512252982714]
  本稿では,データ駆動型進化的多目的最適化(EMO)アルゴリズムを提案する。 そのインフィル基準は、高価な客観的関数評価を行うための、有望な候補ソリューションのバッチを推奨している。
  論文  参考訳（メタデータ） (2022-05-28T06:01:41Z)
• A Federated Data-Driven Evolutionary Algorithm for Expensive Multi/Many-objective Optimization [11.92436948211501]
  本稿では,フェデレートされたデータ駆動型進化的多目的/多目的最適化アルゴリズムを提案する。 複数のクライアントが協調してラジアル・ベーシ関数ネットワークをグローバルなサロゲートとしてトレーニングできるように、サロゲート構築のためのフェデレートラーニングを活用している。 グローバルサロゲートを用いて目的値を近似し、近似された目標値の不確かさレベルを推定するために、中央サーバに新たなフェデレーション獲得関数を提案する。
  論文  参考訳（メタデータ） (2021-06-22T22:33:24Z)
• A Federated Data-Driven Evolutionary Algorithm [10.609815608017065]
  既存のデータ駆動進化最適化アルゴリズムでは、すべてのデータが中央に格納される必要がある。 本論文では,複数のデバイスに分散してデータ駆動型最適化を行うフェデレーションデータ駆動型進化型最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-16T17:18:54Z)

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。