論文の概要: When to Truncate the Archive? On the Effect of the Truncation Frequency in Multi-Objective Optimisation

• arxiv url: http://arxiv.org/abs/2504.01332v2
• Date: Sun, 13 Apr 2025 10:09:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:47:03.508864
• Title: When to Truncate the Archive? On the Effect of the Truncation Frequency in Multi-Objective Optimisation
• Title（参考訳）: アーカイブの整形はいつ行うか?多目的最適化における整形周波数の影響
• Authors: Zhiji Cui, Zimin Liang, Lie Meng Pang, Hisao Ishibuchi, Miqing Li,
• Abstract要約: 興味深いことに、新しいソリューションが生成されるとアーカイブを停止させるのが最善である傾向があるのに対して、無制限のアーカイブを考えると、最悪の場合があります。 本結果は,効率的なサブセット選択手法の開発の重要性を強調した。
• 参考スコア（独自算出の注目度）: 6.391724105255245
• License:
• Abstract: Using an archive to store nondominated solutions found during the search of a multi-objective evolutionary algorithm (MOEA) is a useful practice. However, as nondominated solutions of a multi-objective optimisation problem can be enormous or infinitely many, it is desirable to provide the decision-maker with only a small, representative portion of all the nondominated solutions in the archive, thus entailing a truncation operation. Then, an important issue is when to truncate the archive. This can be done once a new solution generated, a batch of new solutions generated, or even using an unbounded archive to keep all nondominated solutions generated and truncate it later. Intuitively, the last approach may lead to a better result since we have all the information in hand before performing the truncation. In this paper, we study this issue and investigate the effect of the timing of truncating the archive. We apply well-established truncation criteria that are commonly used in the population maintenance procedure of MOEAs (e.g., crowding distance, hypervolume indicator, and decomposition). We show that, interestingly, truncating the archive once a new solution generated tends to be the best, whereas considering an unbounded archive is often the worst. We analyse and discuss this phenomenon. Our results highlight the importance of developing effective subset selection techniques (rather than employing the population maintenance methods in MOEAs) when using a large archive.
• Abstract（参考訳）: 多目的進化アルゴリズム (MOEA) の探索中に発見された非支配的な解をアーカイブで保存することは有用な方法である。 しかし、多目的最適化問題の非支配的解は巨大あるいは無限に多数存在するため、アーカイブ内のすべての非支配的解の小さな代表部分のみを決定者に提供することが望ましい。 そして、重要な問題は、いつアーカイブを切断するかである。 これは、新しいソリューションが生成されると、新しいソリューションが生成されるか、あるいは無制限のアーカイブを使用して、非支配的なソリューションが生成されるのを防ぎ、後でそれを切り離すことができる。 直感的には、最後のアプローチは、トランケーションを実行する前にすべての情報が手元にあるため、よりよい結果をもたらす可能性がある。 本稿では,この課題を考察し,アーカイブを停止させるタイミングの影響について検討する。 我々は,MOEAの集団維持手順(例えば,群集距離,超体積指標,分解)においてよく用いられる,確立されたトラルンケーション基準を適用した。 興味深いことに、新しいソリューションが生成されるとアーカイブを停止させるのが最善である傾向があるのに対して、無制限のアーカイブを考えると、最悪の場合があります。 私たちはこの現象を分析し議論する。 この結果から,大規模なアーカイブを利用する場合,(MOEAにおける人口維持手法を採用するのではなく)効果的なサブセット選択手法を開発することの重要性が浮き彫りになった。

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)
• CItruS: Chunked Instruction-aware State Eviction for Long Sequence Modeling [52.404072802235234]
  本稿では,下流タスクに有用な注目度を隠蔽状態の消去プロセスに統合する新しいモデリング手法であるChunked Instruction-Aware State Eviction(CItruS)を紹介する。 トレーニング不要な手法は,メモリ予算が同じ条件下で,複数の強いベースライン上での長いシーケンス理解および検索タスクにおいて,優れた性能を示す。
  論文  参考訳（メタデータ） (2024-06-17T18:34:58Z)
• An Archive Can Bring Provable Speed-ups in Multi-Objective Evolutionary Algorithms [22.123838452178585]
  アーカイブを使うことでMOEAのスピードアップを保証できることを示す。 2つの確立されたMOEAに対して、アーカイブを使用することで、期待される実行時間に加速がもたらされることを示す。
  論文  参考訳（メタデータ） (2024-06-04T08:59:16Z)
• Multi-Objective Archiving [6.469246318869941]
  アーカイブとは、新しいソリューションを以前のソリューションと比較し、アーカイブ/人口の更新方法を決定するプロセスである。 一般的な理論的観点からは、アーキビングの方法に関する体系的な研究が欠如している。
  論文  参考訳（メタデータ） (2023-03-16T23:08:52Z)
• Experiments on Generalizability of BERTopic on Multi-Domain Short Text [2.352645870795664]
  我々は,最先端のBERTopicアルゴリズムが短時間のマルチドメインテキスト上でどのように機能するかを考察する。 BERTopicを用いたHDBSCANクラスタリングアルゴリズムの性能解析を行った。 HDBSCANをk-Meansに置き換えると、同様の性能を得るが、外れ値がない。
  論文  参考訳（メタデータ） (2022-12-16T13:07:39Z)
• Effects of Archive Size on Computation Time and Solution Quality for Multi-Objective Optimization [6.146046338698174]
  外部アーカイブは、進化的多目的最適化アルゴリズムによって発見された全ての非支配的なソリューションを、いくつかの研究で保存するために使用されている。 i) 選択した最終ソリューションセットの品質, (ii) アーカイブメンテナンスの総計算時間, 最終ソリューションセットの選択, および (iii) 必要なメモリサイズについて, アーカイブサイズが3つの側面に与える影響について検討する。
  論文  参考訳（メタデータ） (2022-09-07T12:25:16Z)
• Geodesics, Non-linearities and the Archive of Novelty Search [69.6462706723023]
  このアーカイブの重要な効果は、不適切な行動指標の使用による探索バイアスと相反することである。 我々の観察は、サンプリングにおいてアーカイブにより積極的な役割を担っていることが有益であることを示しているように思われる。
  論文  参考訳（メタデータ） (2022-05-06T12:03:40Z)
• Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
  自動回帰言語モデルは、回答を生成するデファクト標準として現れています。 これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。 本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:45:01Z)
• ResLT: Residual Learning for Long-tailed Recognition [64.19728932445523]
  本稿では,パラメータ空間の側面から,より基本的なロングテール認識の視点を提案する。 すべてのクラスから画像を認識するために最適化されたメインブランチと、medium+tailクラスとtailクラスからのイメージを強化するために徐々に2つの残りのブランチを融合して最適化する。 我々は、CIFAR-10、CIFAR-100、Places、ImageNet、iNaturalist 2018の長期バージョンであるいくつかのベンチマークでこの方法をテストする。
  論文  参考訳（メタデータ） (2021-01-26T08:43:50Z)
• Meta-AAD: Active Anomaly Detection with Deep Reinforcement Learning [56.65934079419417]
  偽陽性率が高いことは、異常検出アルゴリズムの長年の課題である。 本稿では,クエリ選択のためのメタポリシーを学習する新しいフレームワーク,Meta-AAD(Active Anomaly Detection with Meta-Policy)を提案する。
  論文  参考訳（メタデータ） (2020-09-16T01:47:42Z)

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。