論文の概要: More Efficient Real-Valued Gray-Box Optimization through Incremental Distribution Estimation in RV-GOMEA
- arxiv url: http://arxiv.org/abs/2506.23738v1
- Date: Mon, 30 Jun 2025 11:26:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-01 21:27:54.033889
- Title: More Efficient Real-Valued Gray-Box Optimization through Incremental Distribution Estimation in RV-GOMEA
- Title（参考訳）: RV-GOMEAにおけるインクリメンタル分布推定による高効率リアルタイムグレーボックス最適化
- Authors: Renzo J. Scholman, Tanja Alderliesten, Peter A. N. Bosman,
- Abstract要約: 本研究では, 逐次分布推定が RV-GOMEA の効率向上に繋がるかどうかを検討した。
RV-GOMEA や VKD-CMA-ES と比較して,人口規模が問題特異的に調整された場合,必要な評価回数を 1.5 まで削減できることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The Gene-pool Optimal Mixing EA (GOMEA) family of EAs offers a specific means to exploit problem-specific knowledge through linkage learning, i.e., inter-variable dependency detection, expressed using subsets of variables, that should undergo joint variation. Such knowledge can be exploited if faster fitness evaluations are possible when only a few variables are changed in a solution, enabling large speed-ups. The recent-most version of Real-Valued GOMEA (RV-GOMEA) can learn a conditional linkage model during optimization using fitness-based linkage learning, enabling fine-grained dependency exploitation in learning and sampling a Gaussian distribution. However, while the most efficient Gaussian-based EAs, like NES and CMA-ES, employ incremental learning of the Gaussian distribution rather than performing full re-estimation every generation, the recent-most RV-GOMEA version does not employ such incremental learning. In this paper, we therefore study whether incremental distribution estimation can lead to efficiency enhancements of RV-GOMEA. We consider various benchmark problems with varying degrees of overlapping dependencies. We find that, compared to RV-GOMEA and VKD-CMA-ES, the required number of evaluations to reach high-quality solutions can be reduced by a factor of up to 1.5 if population sizes are tuned problem-specifically, while a reduction by a factor of 2-3 can be achieved with generic population-sizing guidelines.
- Abstract（参考訳）: EAのGene-pool Optimal Mixing EA(GOMEA)ファミリーは、結合学習によって問題固有の知識を利用する特定の手段を提供する。
このような知識は、いくつかの変数がソリューション内でのみ変更される場合、より高速な適合性評価が可能であり、大きなスピードアップを可能にした場合に利用することができる。
直近のバージョンのReal-Valued GOMEA(RV-GOMEA)は、フィットネスベースのリンク学習を用いて最適化中の条件付きリンクモデルを学習可能であり、ガウス分布の学習とサンプリングにおいて、きめ細かい依存性の活用を可能にする。
しかし、NESやCMA-ESのような最も効率的なガウスベースのEAは、世代毎に完全に再見積を行うのではなく、ガウス分布の漸進的な学習を採用するが、最新のRV-GOMEAバージョンではそのような漸進的な学習は採用されていない。
そこで本稿では, 逐次分布推定がRV-GOMEAの効率向上につながるかどうかを考察する。
重なり合う依存関係の度合いが異なるベンチマーク問題を考察する。
RV-GOMEA や VKD-CMA-ES と比較して,集団サイズが問題特異的に調整された場合,高品質なソリューションを実現するために必要な評価回数を 1.5 まで削減することができる。
関連論文リスト
- Stability and Generalization for Distributed SGDA [70.97400503482353]
分散SGDAのための安定性に基づく一般化分析フレームワークを提案する。
我々は, 安定性の誤差, 一般化ギャップ, 人口リスクの包括的分析を行う。
理論的結果から,一般化ギャップと最適化誤差のトレードオフが明らかになった。
論文 参考訳（メタデータ） (2024-11-14T11:16:32Z) - Fitness-based Linkage Learning and Maximum-Clique Conditional Linkage
Modelling for Gray-box Optimization with RV-GOMEA [0.552480439325792]
本研究では,適合度に基づくリンク学習と条件付きリンクモデリングを組み合わせたRV-GOMEAを提案する。
新たなRV-GOMEAは,ほとんどの問題に対して最善を尽くすだけでなく,最適化時の条件付きリンクモデル学習のオーバーヘッドも無視できることが多い。
論文 参考訳（メタデータ） (2024-02-16T15:28:27Z) - Improving genetic algorithms performance via deterministic population
shrinkage [9.334663477968027]
本稿では,遺伝的アルゴリズム(GA)の性能に対する簡易変数集団サイズ法の適用可能性に関する実証的研究について述べる。
それは、所定のスケジュールに従ってGAランの人口を減少させ、速度と重大度パラメータによって構成する。
その結果,SVPS-GAは性能を向上しながら解の質を保ちつつ,性能向上に要する評価回数を削減し,速度重大性の組合せを示した。
論文 参考訳（メタデータ） (2024-01-22T17:05:16Z) - Learning to Optimize for Reinforcement Learning [58.01132862590378]
強化学習(Reinforcement Learning, RL)は、教師付き学習とは本質的に異なり、実際、これらの学習は単純なRLタスクでもうまく機能しない。
エージェント勾配分布は非独立で同一分布であり、非効率なメタトレーニングをもたらす。
おもちゃのタスクでしか訓練されていないが、我々の学習はブラックスの目に見えない複雑なタスクを一般化できることを示した。
論文 参考訳（メタデータ） (2023-02-03T00:11:02Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳（メタデータ） (2022-12-02T07:31:39Z) - Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。
パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
論文 参考訳（メタデータ） (2022-04-13T12:43:12Z) - Parameterless Gene-pool Optimal Mixing Evolutionary Algorithms [0.0]
我々は、GOMEA(Gene-pool Optimal Mixing Evoutionary Algorithm)の最新バージョンを提示し、大幅な改良を提案する。
GOMEA と CGOMEA はオリジナルの GOMEA と DSMGA-II よりも高い性能を示した。
論文 参考訳（メタデータ） (2021-09-11T11:35:14Z) - Understanding the Generalization of Adam in Learning Neural Networks
with Proper Regularization [118.50301177912381]
我々は,重力減衰グローバリゼーションにおいても,目的の異なる解に確実に異なる誤差で収束できることを示す。
凸と重み減衰正則化を用いると、Adamを含む任意の最適化アルゴリズムは同じ解に収束することを示す。
論文 参考訳（メタデータ） (2021-08-25T17:58:21Z) - Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。
GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。
本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文 参考訳（メタデータ） (2021-01-06T17:36:26Z) - Many-Objective Estimation of Distribution Optimization Algorithm Based
on WGAN-GP [1.2461503242570644]
EDAは多目的最適問題(MOP)をよりよく解決できる
We generate the new population by Wasserstein Generative Adversarial Networks-Gradient Penalty (WGAN-GP)
論文 参考訳（メタデータ） (2020-03-16T03:14:59Z)
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。