論文の概要: Explainable Framework for Swarm Intelligence Based on Fitness Landscape Features and Machine Learning

• arxiv url: http://arxiv.org/abs/2509.06272v2
• Date: Wed, 29 Oct 2025 07:12:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:44.090829
• Title: Explainable Framework for Swarm Intelligence Based on Fitness Landscape Features and Machine Learning
• Title（参考訳）: フィトネス景観特徴と機械学習に基づくスワムインテリジェンスのための説明可能なフレームワーク
• Authors: Nitin Gupta, Bapi Dutta, Anupam Yadav,
• Abstract要約: 本研究は、人気のあるSwarmアルゴリズムの1つであるParticle Swarm Optimizationについて、多面的な解釈可能性に関する調査を行う。 我々は、新しい機械学習アプローチを用いて、PSOにおける様々なトポロジとパラメータの役割を解釈可能で説明可能なフレームワークを提供する。 この研究は、Swarmトポロジが情報の流れ、多様性、収束にどのように影響するかを解読することに成功した。
• 参考スコア（独自算出の注目度）: 5.095351428807715
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Swarm based optimization algorithms have demonstrated remarkable success in solving complex optimization problems. However, their widespread adoption remains sceptical due to limited transparency in how different algorithmic components influence the overall performance of the algorithm. This work presents a multi-faceted interpretability related investigations of one of the popular swarm algorithms, Particle Swarm Optimization. Through this work, we provide a framework that makes the role of different topologies and parameters in PSO interpretable and explainable using novel machine learning approach. We first developed a comprehensive landscape characterization framework using Exploratory Landscape Analysis to quantify problem difficulty and identify critical features in the problem that affects the optimization performance of PSO. Secondly, we rigorously compare three topologies -- Ring, Star, and Von Neumann -- analyzing their distinct impacts on exploration-exploitation balance, convergence behavior, and solution quality and eventually develop an explainable benchmarking framework for PSO. The work successfully decodes how swarm topologies affect information flow, diversity, and convergence. Through systematic experimentation across 24 benchmark functions in multiple dimensions, we establish practical guidelines for topology selection and parameter configuration. These findings uncover the black-box nature of PSO, providing more transparency and interpretability to swarm intelligence systems. The source code is available at https://github.com/GitNitin02/ioh_pso.
• Abstract（参考訳）: Swarmベースの最適化アルゴリズムは、複雑な最適化問題の解決に顕著な成功を収めた。 しかし、アルゴリズムのコンポーネントの違いがアルゴリズム全体のパフォーマンスにどのように影響するかという点において、透明性が限定されているため、広く採用されている。 本研究は、人気のあるSwarmアルゴリズムの1つであるParticle Swarm Optimizationについて、多面的解釈可能性に関する調査を行う。 この研究を通じて、新しい機械学習アプローチを用いて、PSOにおける様々なトポロジとパラメータの役割を解釈し、説明可能なフレームワークを提供する。 まず,PSOの最適化性能に影響を及ぼす問題において,問題の難易度を定量化し,重要な特徴を特定するために,探索ランドスケープ解析を用いた総合的なランドスケープ評価フレームワークを開発した。 第2に、Ring、Star、Von Neumannの3つのトポロジを厳格に比較し、探索と探索のバランス、収束の挙動、そしてソリューションの品質に対する彼らの異なる影響を分析し、最終的にPSOのための説明可能なベンチマークフレームワークを開発します。 この研究は、Swarmトポロジが情報の流れ、多様性、収束にどのように影響するかを解読することに成功した。 複数の次元における24個のベンチマーク関数の体系的な実験を通じて、トポロジ選択とパラメータ設定の実践的ガイドラインを確立する。 これらの発見により、PSOのブラックボックスの性質が明らかになり、より透明性とスウォームインテリジェンスシステムに対する解釈可能性が高まった。 ソースコードはhttps://github.com/GitNitin02/ioh_pso.comで入手できる。

関連論文リスト

• Enhancing Explainability and Reliable Decision-Making in Particle Swarm Optimization through Communication Topologies [14.88267665338613]
  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。
  論文  参考訳（メタデータ） (2025-04-17T10:05:10Z)
• 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)
• 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)
• Exploring End-to-end Differentiable Neural Charged Particle Tracking -- A Loss Landscape Perspective [0.0]
  粒子追跡のためのE2E差分型決定型学習手法を提案する。 離散的な代入操作の微分可能なバリエーションは、効率的なネットワーク最適化を可能にすることを示す。 E2Eの微分性は、勾配情報の一般利用に加えて、予測不安定性を緩和するロバスト粒子追跡のための重要なツールである、と我々は主張する。
  論文  参考訳（メタデータ） (2024-07-18T11:42:58Z)
• 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)
• 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)
• Explainable Landscape-Aware Optimization Performance Prediction [0.0]
  ランドスケープを考慮した回帰モデルについて検討する。 各景観特徴の最適化アルゴリズム性能予測への寄与を,グローバルおよびローカルレベルで推定する。 その結果、異なる問題インスタンスに対して異なる機能セットが重要であるという概念の証明が得られた。
  論文  参考訳（メタデータ） (2021-10-22T07:46:33Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• 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)
• Investigating Bi-Level Optimization for Learning and Vision from a Unified Perspective: A Survey and Beyond [114.39616146985001]
  機械学習やコンピュータビジョンの分野では、モチベーションやメカニズムが異なるにもかかわらず、複雑な問題の多くは、一連の密接に関連するサブプロトコルを含んでいる。 本稿では,BLO(Bi-Level Optimization)の観点から,これらの複雑な学習と視覚問題を一様に表現する。 次に、値関数に基づく単一レベル再構成を構築し、主流勾配に基づくBLO手法を理解し、定式化するための統一的なアルゴリズムフレームワークを確立する。
  論文  参考訳（メタデータ） (2021-01-27T16:20:23Z)

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。