論文の概要: Enhancing Explainability and Reliable Decision-Making in Particle Swarm Optimization through Communication Topologies

• arxiv url: http://arxiv.org/abs/2504.12803v1
• Date: Thu, 17 Apr 2025 10:05:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-25 21:39:39.522945
• Title: Enhancing Explainability and Reliable Decision-Making in Particle Swarm Optimization through Communication Topologies
• Title（参考訳）: 通信トポロジによる粒子群最適化における説明可能性の向上と信頼性決定-
• Authors: Nitin Gupta, Indu Bala, Bapi Dutta, Luis Martínez, Anupam Yadav,
• Abstract要約: 本研究では,コミュニケーショントポロジの違いが収束行動や探索行動にどのように影響するかに着目した。 適応型IOHxプレナーを用いて,これらのトポロジが情報流,多様性,収束速度にどのように影響するかを検討する。
• 参考スコア（独自算出の注目度）: 14.88267665338613
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Swarm intelligence effectively optimizes complex systems across fields like engineering and healthcare, yet algorithm solutions often suffer from low reliability due to unclear configurations and hyperparameters. This study analyzes Particle Swarm Optimization (PSO), focusing on how different communication topologies Ring, Star, and Von Neumann affect convergence and search behaviors. Using an adapted IOHxplainer , an explainable benchmarking tool, we investigate how these topologies influence information flow, diversity, and convergence speed, clarifying the balance between exploration and exploitation. Through visualization and statistical analysis, the research enhances interpretability of PSO's decisions and provides practical guidelines for choosing suitable topologies for specific optimization tasks. Ultimately, this contributes to making swarm based optimization more transparent, robust, and trustworthy.
• Abstract（参考訳）: Swarmインテリジェンスは、エンジニアリングやヘルスケアといった分野にわたる複雑なシステムを効果的に最適化するが、アルゴリズムソリューションは、不明確な構成やハイパーパラメータのために、信頼性の低いものが多い。 本研究では、Ring、Star、Von Neumannといったコミュニケーショントポロジが収束と探索行動にどのように影響するかに着目し、Particle Swarm Optimization (PSO)を分析した。 適応型IOHxPlainerを用いて,これらのトポロジが情報流,多様性,収束速度にどのように影響するかを検証し,探索と利用のバランスを明らかにする。 可視化と統計分析を通じて、PSOの決定の解釈可能性を高め、特定の最適化タスクに適したトポロジを選択するための実践的なガイドラインを提供する。 これにより、Swarmベースの最適化をより透明で堅牢で信頼性の高いものにすることができる。

関連論文リスト

• Learning Strategies in Particle Swarm Optimizer: A Critical Review and Performance Analysis [0.6437284704257459]
  素粒子群最適化(PSO)はその単純さと効率性からSIアルゴリズムに広く採用されている。 我々は、このギャップに対処するために様々な学習戦略をレビューし、分類し、最適化性能への影響を評価した。 我々は、自己適応的でインテリジェントなPSO変種の必要性を強調し、オープンな課題と今後の方向性について議論する。
  論文  参考訳（メタデータ） (2025-04-16T06:50:02Z)
• End-to-End Optimal Detector Design with Mutual Information Surrogates [1.7042756021131187]
  本稿では,局所深層学習(DL)サロゲートを用いた高エネルギー物理検出器の終端ブラックボックス最適化のための新しい手法を提案する。 本研究は, 現場で一般的に使用されている標準再建基準に加えて, 相互情報の情報理論指標について検討する。 筆者らは,(1)局所サロゲートを用いたエンドツーエンドのブラックボックス最適化は,検出器設計の実践的かつ説得力のあるアプローチであり,(2)情報に基づく相互最適化は,最先端物理インフォームド手法と密に一致した設計選択をもたらす。
  論文  参考訳（メタデータ） (2025-03-18T15:23:03Z)
• Equation discovery framework EPDE: Towards a better equation discovery [50.79602839359522]
  進化的最適化に基づく発見フレームワークであるEPDEアルゴリズムを強化する。 提案手法は基本関数や個人差分といった基本構造ブロックを用いて用語を生成する。 我々は,提案アルゴリズムの耐雑音性および全体的な性能を,最先端の方程式探索フレームワークであるSINDyの結果と比較することによって検証する。
  論文  参考訳（メタデータ） (2024-12-28T15:58:44Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• Optimizing $CO_{2}$ Capture in Pressure Swing Adsorption Units: A Deep Neural Network Approach with Optimality Evaluation and Operating Maps for Decision-Making [0.0]
  本研究は,二酸化炭素捕捉用加圧湿式吸着ユニットの高機能化に焦点をあてる。 2つのディープニューラルネットワーク(DNN)モデルからなるマルチインプット・シングルアウトプット(MISO)フレームワークを開発し,実装した。 このアプローチは、実行可能な運用領域(FOR)を明確にし、最適な意思決定シナリオのスペクトルを強調した。
  論文  参考訳（メタデータ） (2023-12-06T19:43:37Z)
• An Interactive Knowledge-based Multi-objective Evolutionary Algorithm Framework for Practical Optimization Problems [5.387300498478744]
  本稿では,対話型知識に基づく進化的多目的最適化(IK-EMO)フレームワークを提案する。 ハイパフォーマンスなソリューションの進化から知識として隠れた変数関係を抽出し、フィードバックを受け取るためにユーザと共有し、その効率を改善するために最適化プロセスに適用する。 提案したIK-EMOの動作は、3つの大規模な実世界のエンジニアリング設計問題で実証されている。
  論文  参考訳（メタデータ） (2022-09-18T16:51:01Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• Dynamic communication topologies for distributed heuristics in energy system optimization algorithms [0.0]
  本稿では,実行中の通信トポロジに適応する手法を提案する。 我々は、模範的な分散最適化の性能に関する一般的な静的トポロジと比較する。
  論文  参考訳（メタデータ） (2021-08-03T09:30:56Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)
• Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
  バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
  論文  参考訳（メタデータ） (2020-10-15T18:09:48Z)

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。