論文の概要: Subfunction Structure Matters: A New Perspective on Local Optima Networks
- arxiv url: http://arxiv.org/abs/2504.17799v1
- Date: Thu, 17 Apr 2025 07:31:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-05 01:46:36.90706
- Title: Subfunction Structure Matters: A New Perspective on Local Optima Networks
- Title（参考訳）: サブファンクショナル構造問題:ローカルオプティマスネットワークの新しい展望
- Authors: S. L. Thomson, M. W. Przewozniczek,
- Abstract要約: ローカルオプティマネットワーク(LON)は、フィットネス情報ランドスケープをキャプチャする。
サブファンクションに基づく情報を組み込むことで、LON分析をどのように改善できるかを検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Local optima networks (LONs) capture fitness landscape information. They are typically constructed in a black-box manner; information about the problem structure is not utilised. This also applies to the analysis of LONs: knowledge about the problem, such as interaction between variables, is not considered. We challenge this status-quo with an alternative approach: we consider how LON analysis can be improved by incorporating subfunction-based information - this can either be known a-priori or learned during search. To this end, LONs are constructed for several benchmark pseudo-boolean problems using three approaches: firstly, the standard algorithm; a second algorithm which uses deterministic grey-box crossover; and a third algorithm which selects perturbations based on learned information about variable interactions. Metrics related to subfunction changes in a LON are proposed and compared with metrics from previous literature which capture other aspects of a LON. Incorporating problem structure in LON construction and analysing it can bring enriched insight into optimisation dynamics. Such information may be crucial to understanding the difficulty of solving a given problem with state-of-the-art linkage learning optimisers. In light of the results, we suggest incorporation of problem structure as an alternative paradigm in landscape analysis for problems with known or suspected subfunction structure.
- Abstract（参考訳）: ローカルオプティマネットワーク(LON)はフィットネスランドスケープ情報をキャプチャする。
一般にブラックボックス方式で構築されるが、問題構造に関する情報は利用されない。
変数間の相互作用のような問題に関する知識は考慮されていない。
我々は、サブファンクションベースの情報を組み込むことで、LON分析をどのように改善できるかを考える。
この目的のために、LONは、まず標準アルゴリズム、決定論的グレーボックスクロスオーバーを用いた第2のアルゴリズム、そして変数相互作用に関する学習情報に基づいて摂動を選択する第3のアルゴリズムの3つのアプローチを用いて、いくつかのベンチマーク擬似ブール問題に対して構築される。
LONのサブファンクション変化に関連するメトリクスを提案し、LONの他の側面を捉える以前の文献のメトリクスと比較した。
LONの構成と解析に問題構造を組み込むことは、最適化力学に関する豊富な洞察をもたらすことができる。
このような情報は、最先端のリンケージ学習オプティマイザで与えられた問題を解決することの難しさを理解するために重要である。
結果を踏まえて,既知のサブファンクショナル構造や疑わしいサブファンクショナル構造を有する問題に対するランドスケープ解析における代替パラダイムとして,問題構造の導入を提案する。
関連論文リスト
- A Differentiable Rank-Based Objective For Better Feature Learning [20.576291802100048]
このアルゴリズムは、その微分可能な性質と学習可能なパラメータのおかげで、幅広い機械学習問題に適用できる。
我々は,おもちゃの例における基本変数選択から,畳み込みネットワークにおけるサリエンシマップ比較まで,ますます複雑な問題に対する difFOCI の評価を行った。
論文 参考訳（メタデータ） (2025-02-13T16:15:43Z) - Coherent Local Explanations for Mathematical Optimization [0.0]
CLEMO(Coherent Local Explanations for Mathematical Optimization)を紹介する。
CLEMOは、最適化モデルの複数のコンポーネント、目的値と決定変数について、基礎となるモデル構造と整合性のある説明を提供する。
サンプリングに基づく手順では,正確な解法アルゴリズムの動作を説明することができる。
論文 参考訳（メタデータ） (2025-02-07T11:18:04Z) - Geometric Neural Process Fields [58.77241763774756]
幾何学的ニューラル・プロセス・フィールド(Geometric Neural Process Fields, G-NPF)は、ニューラル・ラディアンス・フィールドの確率的フレームワークである。
これらの基盤の上に構築された階層型潜在変数モデルにより、G-NPFは複数の空間レベルにまたがる構造情報を統合できる。
3次元シーンと2次元画像と1次元信号レグレッションの新規ビュー合成実験により,本手法の有効性を実証した。
論文 参考訳（メタデータ） (2025-02-04T14:17:18Z) - On the Role of Information Structure in Reinforcement Learning for Partially-Observable Sequential Teams and Games [55.2480439325792]
逐次的意思決定問題において、情報構造とは、異なる時点に発生するシステム内の事象が相互にどのように影響するかを記述するものである。
対照的に、現実のシーケンシャルな意思決定問題は通常、システム変数の複雑で時間的な相互依存を伴う。
情報構造を明示する新しい強化学習モデルを定式化する。
論文 参考訳（メタデータ） (2024-03-01T21:28:19Z) - Neural Improvement Heuristics for Graph Combinatorial Optimization
Problems [49.85111302670361]
本稿では,ノード,エッジ,あるいはその両方に情報をエンコードするグラフベースの問題を扱う新しいニューラル改善(NI)モデルを提案する。
提案モデルは,各地区の操作の選択を誘導する丘登頂に基づくアルゴリズムの基本的な構成要素として機能する。
論文 参考訳（メタデータ） (2022-06-01T10:35:29Z) - Neural Combinatorial Optimization: a New Player in the Field [69.23334811890919]
本稿では,ニューラルネットワークに基づくアルゴリズムの古典的最適化フレームワークへの導入に関する批判的分析を行う。
性能, 転送可能性, 計算コスト, 大規模インスタンスなど, これらのアルゴリズムの基本的側面を分析するために, 総合的研究を行った。
論文 参考訳（メタデータ） (2022-05-03T07:54:56Z) - Adaptive Discretization in Online Reinforcement Learning [9.560980936110234]
離散化に基づくアルゴリズムを設計する際の2つの大きな疑問は、離散化をどのように生成し、いつそれを洗練するかである。
オンライン強化学習のための木に基づく階層分割手法の統一的理論的解析を行う。
我々のアルゴリズムは操作制約に容易に適応し、我々の理論は3つの面のそれぞれに明示的な境界を与える。
論文 参考訳（メタデータ） (2021-10-29T15:06:15Z) - On the regularized risk of distributionally robust learning over deep
neural networks [0.0]
本研究では, 分散ロバスト学習と正規化の異なる形態の関係について検討し, ディープニューラルネットワークのロバスト性について検討した。
私たちは、堅牢なニューラルネットワークのトレーニングのために、スケーラブルなアルゴリズムのファミリーを動機付けています。
論文 参考訳（メタデータ） (2021-09-13T20:10:39Z) - An Information-Theoretic Framework for Unifying Active Learning Problems [44.758281991246825]
本稿では,アクティブラーニング問題を統合するための情報理論的枠組みを提案する。
まず、既存のLSEアルゴリズムを推定する新しいアクティブ学習基準を紹介します。
LSEとBOの関係を利用して、BOのための競合情報理論獲得関数を設計する。
論文 参考訳（メタデータ） (2020-12-19T14:22:48Z) - High Dimensional Level Set Estimation with Bayesian Neural Network [58.684954492439424]
本稿では,ベイズニューラルネットワークを用いた高次元レベル集合推定問題を解く新しい手法を提案する。
各問題に対して対応する理論情報に基づく取得関数を導出してデータポイントをサンプリングする。
合成データセットと実世界データセットの数値実験により,提案手法は既存手法よりも優れた結果が得られることが示された。
論文 参考訳（メタデータ） (2020-12-17T23:21:53Z) - Total Deep Variation for Linear Inverse Problems [71.90933869570914]
本稿では,近年のアーキテクチャ設計パターンを深層学習から活用する,学習可能な汎用正規化手法を提案する。
本稿では,古典的画像復元と医用画像再構成問題に対する最先端の性能について述べる。
論文 参考訳（メタデータ） (2020-01-14T19:01:50Z)
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。