論文の概要: Diversity-Preserving Exploitation of Crossover

• arxiv url: http://arxiv.org/abs/2507.01524v1
• Date: Wed, 02 Jul 2025 09:28:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.128479
• Title: Diversity-Preserving Exploitation of Crossover
• Title（参考訳）: 多様性を保ったクロスオーバーの爆発
• Authors: Johannes Lengler, Tom Offermann,
• Abstract要約: 我々は,クロスオーバーの多様性保護利用(DiPEC)と呼ばれる,この対立を緩和するクロスオーバーを利用するための新しいパラダイムを導入する。 結果として得られる多様性爆発遺伝的アルゴリズム(DEGA)は、いまだにクロスオーバーの利点を活用できるが、従来のアプローチよりもはるかに多様性を保っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Crossover is a powerful mechanism for generating new solutions from a given population of solutions. Crossover comes with a discrepancy in itself: on the one hand, crossover usually works best if there is enough diversity in the population; on the other hand, exploiting the benefits of crossover reduces diversity. This antagonism often makes crossover reduce its own effectiveness. We introduce a new paradigm for utilizing crossover that reduces this antagonism, which we call diversity-preserving exploitation of crossover (DiPEC). The resulting Diversity Exploitation Genetic Algorithm (DEGA) is able to still exploit the benefits of crossover, but preserves a much higher diversity than conventional approaches. We demonstrate the benefits by proving that the (2+1)-DEGA finds the optimum of LeadingOnes with $O(n^{5/3}\log^{2/3} n)$ fitness evaluations. This is remarkable since standard genetic algorithms need $\Theta(n^2)$ evaluations, and among genetic algorithms only some artificial and specifically tailored algorithms were known to break this runtime barrier. We confirm the theoretical results by simulations. Finally, we show that the approach is not overfitted to Leadingones by testing it empirically on other benchmarks and showing that it is also competitive in other settings. We believe that our findings justify further systematic investigations of the DiPEC paradigm.
• Abstract（参考訳）: クロスオーバーは、与えられた解の集団から新しい解を生成するための強力なメカニズムである。 一方、クロスオーバーは人口に十分な多様性がある場合、最もうまく機能し、一方、クロスオーバーの利点を利用すると多様性が減少する。 この対立は、しばしばクロスオーバーをその効果を減少させる。 本稿では, クロスオーバーの多様性保全利用(DiPEC)と呼ばれる, クロスオーバーを利用した新たなパラダイムを導入する。 結果として得られる多様性爆発遺伝的アルゴリズム(DEGA)は、いまだにクロスオーバーの利点を活用できるが、従来のアプローチよりもはるかに多様性を保っている。 我々は、(2+1)-DEGAが$O(n^{5/3}\log^{2/3} n)$ Fitness EvaluationsでLeadingOnesの最適性を証明した。 標準的な遺伝的アルゴリズムは$\Theta(n^2)$評価を必要としており、遺伝的アルゴリズムの中では、このランタイム障壁を破ることが知られているのは、人工的かつ特別に調整されたアルゴリズムのみである。 シミュレーションにより理論的結果を確認する。 最後に、他のベンチマークで実証的にテストすることで、アプローチがLeadingonesに過度に適合していないことを示し、他の設定でも競合していることを示す。 本研究は,DiPECパラダイムのさらなる体系的な研究を正当化するものであると考えている。

関連論文リスト

• Crossover Can Guarantee Exponential Speed-Ups in Evolutionary Multi-Objective Optimisation [4.212663349859165]
  本稿では,よく知られたEMOアルゴリズムGSEMOとNSGA-IIの理論的解析を行う。 免疫刺激による過変異は指数的最適化時間を回避することはできない。
  論文  参考訳（メタデータ） (2023-01-31T15:03:34Z)
• Shortest Edit Path Crossover: A Theory-driven Solution to the Permutation Problem in Evolutionary Neural Architecture Search [20.948038514886377]
  人口ベースサーチは、ブラックボックスニューラルネットワークサーチ(NAS)の強化学習(Reinforcement Learning, RL)に代わる可能性として浮上している。 ブラックボックスNASにおける変異,クロスオーバー,RLの挙動に関する最初の理論的解析を行った。 グラフ空間における最短編集パス(SEP)に基づく新しいクロスオーバー演算子を提案する。
  論文  参考訳（メタデータ） (2022-10-25T13:39:55Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• A Large-scale Multiple-objective Method for Black-box Attack against Object Detection [70.00150794625053]
  我々は、真正の確率を最小化し、偽正の確率を最大化し、より多くの偽正の物体が新しい真正の有界箱を作らないようにする。 我々は、GARSDCと呼ばれるランダム・サブセット選択とディバイド・アンド・コンカーによる標準的な遺伝的アルゴリズムを拡張し、効率を大幅に改善する。 最先端攻撃法と比較して、GARSDCはmAPでは平均12.0、広範囲な実験ではクエリでは約1000倍減少する。
  論文  参考訳（メタデータ） (2022-09-16T08:36:42Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• A Crossover That Matches Diverse Parents Together in Evolutionary Algorithms [0.228438857884398]
  選択の問題は進化的決定木の構築である。 クロスオーバーフェーズを実行するための新しい手法を提案する。 1つの変種は最良のアプローチとして明らかに現れ、残りの変種はベースライン以下である。
  論文  参考訳（メタデータ） (2021-05-08T11:43:26Z)
• Diverse Knowledge Distillation for End-to-End Person Search [81.4926655119318]
  人物検索は、画像ギャラリーから特定の人物をローカライズし識別することを目的としている。 最近の手法は2つのグループ、すなわち2段階とエンドツーエンドのアプローチに分類できる。 ボトルネックを解消するために、多様な知識蒸留を備えたシンプルで強力なエンドツーエンドネットワークを提案します。
  論文  参考訳（メタデータ） (2020-12-21T09:04:27Z)
• Rethinking conditional GAN training: An approach using geometrically structured latent manifolds [58.07468272236356]
  条件付きGAN(cGAN)は、生成された出力の多様性の欠如などの重大な欠点に悩まされる。 本稿では,バニラcGANの多様性と視覚的品質を両立させる新しいトレーニング機構を提案する。
  論文  参考訳（メタデータ） (2020-11-25T22:54:11Z)
• Benchmarking a $(\mu+\lambda)$ Genetic Algorithm with Configurable Crossover Probability [4.33419118449588]
  我々は、突然変異またはランダムに選択された2人の親の再結合によって子孫を生成する、$(mu+lambda)$ Genetic Algorithms (GAs)の家系を調査する。 クロスオーバー確率を拡大することにより、完全突然変異のみのアルゴリズムから完全クロスオーバーベースGAへの補間が可能となる。
  論文  参考訳（メタデータ） (2020-06-10T15:22:44Z)
• AvgOut: A Simple Output-Probability Measure to Eliminate Dull Responses [97.50616524350123]
  機能エンジニアリングなしで、どの発話やトークンが退屈であるかを動的に認識する対話モデルを構築します。 最初のモデルMinAvgOutは、各バッチの出力分布を通して、ダイバーシティスコアを直接最大化する。 第2のモデルであるラベルファインチューニング(LFT)は、多様性スコアによって連続的にスケールされたラベルをソースシーケンスにプリペイドし、多様性レベルを制御する。 3つ目のモデルであるRLは強化学習を採用し、多様性スコアを報奨信号として扱う。
  論文  参考訳（メタデータ） (2020-01-15T18:32:06Z)

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。