論文の概要: Solving the Best Subset Selection Problem via Suboptimal Algorithms

• arxiv url: http://arxiv.org/abs/2503.24300v1
• Date: Mon, 31 Mar 2025 16:43:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:38:48.659588
• Title: Solving the Best Subset Selection Problem via Suboptimal Algorithms
• Title（参考訳）: 最適化アルゴリズムによる最適サブセット選択問題の解法
• Authors: Vikram Singh, Min Sun,
• Abstract要約: 提案手法を他のアルゴリズムと比較し,最適選択問題の解法を提案する。 新たな手法は最適な部分集合問題を解くための競合的部分最適アルゴリズムであることが観察された。
• 参考スコア（独自算出の注目度）: 11.965038181120935
• License:
• Abstract: Best subset selection in linear regression is well known to be nonconvex and computationally challenging to solve, as the number of possible subsets grows rapidly with increasing dimensionality of the problem. As a result, finding the global optimal solution via an exact optimization method for a problem with dimensions of 1000s may take an impractical amount of CPU time. This suggests the importance of finding suboptimal procedures that can provide good approximate solutions using much less computational effort than exact methods. In this work, we introduce a new procedure and compare it with other popular suboptimal algorithms to solve the best subset selection problem. Extensive computational experiments using synthetic and real data have been performed. The results provide insights into the performance of these methods in different data settings. The new procedure is observed to be a competitive suboptimal algorithm for solving the best subset selection problem for high-dimensional data.
• Abstract（参考訳）: 線形回帰における最良の部分集合選択は、問題の次元が増加するにつれて、可能部分集合の数が急速に増加するため、非凸かつ計算的に解決が難しいことが知られている。 その結果,1000の次元を持つ問題に対して,厳密な最適化手法による大域的最適解を求めるには,非現実的なCPU時間を要する可能性がある。 このことは、厳密な手法よりも計算労力をはるかに少なくして、良い近似解を提供できる準最適手順を見つけることの重要性を示唆している。 本研究では,新しい手法を導入し,他のアルゴリズムと比較し,最良部分選択問題の解法を提案する。 合成データと実データを用いた大規模計算実験が実施されている。 結果は、異なるデータ設定におけるこれらのメソッドのパフォーマンスに関する洞察を提供する。 提案手法は,高次元データに対する最適部分集合選択問題の解法として,競合的部分最適アルゴリズムであることがわかった。

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)
• Dynamic Incremental Optimization for Best Subset Selection [15.8362578568708]
  最良のサブセット選択は、多くの学習問題に対する金の標準と見なされている。 主問題構造と双対問題構造に基づいて,効率的な部分集合双対アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-02-04T02:26:40Z)
• Equitable and Fair Performance Evaluation of Whale Optimization Algorithm [4.0814527055582746]
  すべてのアルゴリズムは、徹底的に、幾分、知的に評価されることが不可欠である。 最適化アルゴリズムの有効性を等しく、公平に評価することは、様々な理由から簡単なプロセスではない。
  論文  参考訳（メタデータ） (2023-09-04T06:32:02Z)
• Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
  凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。 多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。 そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-17T20:11:56Z)
• Solving integer multi-objective optimization problems using TOPSIS, Differential Evolution and Tabu Search [4.213427823201119]
  本稿では,非線形整数多目的最適化問題の解法を提案する。 第一に、問題は理想解(TOPSIS)に類似した順序選好法を用いて定式化される。 次に、その3つのバージョン(標準DE、DEGL、DEGL)における微分進化(DE)アルゴリズムが、DEベストとDEGLとして使用される。 DEアルゴリズムで見つかる解は連続であるため、最適化プロセス中に整数解を見つけるためにTabu Search (TS)アルゴリズムが使用される。
  論文  参考訳（メタデータ） (2022-04-05T23:59:33Z)
• High dimensional Bayesian Optimization Algorithm for Complex System in Time Series [1.9371782627708491]
  本稿では,新しい高次元ベイズ最適化アルゴリズムを提案する。 モデルの時間依存特性や次元依存特性に基づいて,提案アルゴリズムは次元を均等に低減することができる。 最適解の最終精度を高めるために,提案アルゴリズムは,最終段階におけるアダムに基づく一連のステップに基づく局所探索を追加する。
  論文  参考訳（メタデータ） (2021-08-04T21:21:17Z)
• Bayesian Algorithm Execution: Estimating Computable Properties of Black-box Functions Using Mutual Information [78.78486761923855]
  多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。 本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。 これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
  論文  参考訳（メタデータ） (2021-04-19T17:22:11Z)
• Instance Specific Approximations for Submodular Maximization [45.91235224228292]
  実世界のインスタンス上で最適な解に対して,アルゴリズムの性能をベンチマークする手法を模索する。 大きな疑問は、実際に遭遇したインスタンスの最適なソリューションと比較して、アルゴリズムのパフォーマンスを測定する方法です。 我々の主な貢献は、サブモジュラー最小化のための新しいアルゴリズムではなく、サブモジュラーインスタンスのアルゴリズムがいかに最適かを測定する分析手法である。
  論文  参考訳（メタデータ） (2021-02-23T19:39:32Z)
• Divide and Learn: A Divide and Conquer Approach for Predict+Optimize [50.03608569227359]
  予測+最適化問題は、予測係数を使用する最適化プロブレムと、確率係数の機械学習を組み合わせる。 本稿では, 予測係数を1次線形関数として, 最適化問題の損失を直接表現する方法を示す。 本稿では,この制約を伴わずに最適化問題に対処し,最適化損失を用いてその係数を予測する新しい分割アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-04T00:26:56Z)
• Online Model Selection for Reinforcement Learning with Function Approximation [50.008542459050155]
  我々は、$tildeO(L5/6 T2/3)$ regretで最適な複雑性に適応するメタアルゴリズムを提案する。 また、メタアルゴリズムは、インスタンス依存の後悔境界を著しく改善することを示す。
  論文  参考訳（メタデータ） (2020-11-19T10:00:54Z)
• New Oracle-Efficient Algorithms for Private Synthetic Data Release [52.33506193761153]
  微分プライベートな合成データを構築するための3つの新しいアルゴリズムを提案する。 アルゴリズムは最悪の場合でも差分プライバシーを満たす。 現状の手法である高次元行列機構 citeMcKennaMHM18 と比較すると,我々のアルゴリズムは大規模作業負荷の精度が向上する。
  論文  参考訳（メタデータ） (2020-07-10T15:46:05Z)

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。