关键词multi-objective optimization
搜索结果 - 194
- 雅可比下降多目标优化
我们提出了一种新的多目标优化算法,基于 Jacobian 下降方法,并设计了一个特定的汇集器来确保更新向量不与任何目标冲突,并且与每个梯度的范数成比例;我们在简单的图像分类任务中引入了实例风险最小化学习方法,实验展示了该方法相比于平均损失的 - 利用图数据结构和知识图谱的特征选择策略综述
知识图谱中的特征选择方法论及其在增强机器学习模型有效性、假设生成和解释性方面的作用,强调可扩展性、准确性和可解释性的关键重要性,并倡导结合领域知识来优化选择过程。强调多目标优化和跨学科合作在推进知识图谱特征选择方面的潜力,以及这些方法对精准 - 基于专家模型融合的高效 Pareto 集近似方法
通过专家混合(MoE)模型融合的实用且可扩展的方法,本研究旨在有效学习大型神经网络的 Pareto 集,从而捕捉多个目标之间的权衡关系和大致近似整个 Pareto 集,并在低内存使用量的情况下提供可扩展性。
- AAAI帕累托前沿多样化批次多目标贝叶斯优化
我们提出了一种基于贝叶斯优化的新方法,称为 Pareto front-Diverse Batch Multi-Objective BO (PDBO),用于解决多目标优化问题,其中我们可以评估一批输入并发现高质量和多样化的 Pareto 前沿 - ShiftAddLLM:通过后期训练的无乘法重参数化加速预先训练的 LLMs
本研究提出了一种通过后期训练的 ShiftAndAddLLM 来加速预训练的大型语言模型,通过将每个权重矩阵量化为与分组缩放因子配对的二进制矩阵,并将与二进制矩阵相关的乘法重新参数化为在激活和缩放因子之间进行的移位和加法操作,以减少内存使用 - ICML离线多目标优化
离线优化涉及最大化一个黑盒目标函数,存在广泛的应用。然而,与离线单目标优化相比,离线多目标优化进展不足,主要原因是缺乏像单目标优化的 Design-Bench 这样的基准。为了填补这一差距,我们提出了离线多目标优化的第一个基准,覆盖了从合成 - 基于薛定谔算子谱的图像对比度增强
本研究提出了一种基于 Schrodinger 算子二维平方特征函数的图像对比增强方法,该方法通过在图像重建过程中控制像素强度的设计参数 γ 进行投影。使用 k-means 选择 γ 值,以保留图像的空间邻近性信息,同时提出了基于非支配排序遗 - MoFormer:基于条件 Transformer 和联合多模态融合描述的多目标抗菌肽生成
利用深度学习优化多目标抗菌肽,通过多目标合成管道(MoFormer)在结构化潜空间中引导和改善抗菌肽序列的属性以提高抗菌活性和减少溶血,同时使用非支配排序算法和大模型微调的代理方法进行候选者的层次排名,通过分子模拟和可视化潜空间来追踪和优化 - 学习搜索空间分割的多目标神经架构搜索
使用 LaMOO 优化算法在神经架构搜索任务中取得了超过 200% 的样本效率提升,并在 CIFAR10 数据集上以仅 600 个搜索样本实现了 97.36% 的准确率和仅 1.62M 参数,以及在 ImageNet 数据集上仅使用 522 - 少对多:用切比雪夫集标量化的多目标优化
多目标优化的研究中,提出了一种新颖的 Tchebycheff 集标量化方法,用于找到少量代表性解来覆盖大量目标,并进一步发展出具有良好理论保证的平滑 Tchebycheff 集标量化方法,我们通过在不同问题中进行实验研究来证明我们方法的有效 - 关于广义光滑下多目标优化的收敛性研究
本文研究了多目标优化问题中更一般且更现实的平滑损失函数类别,在神经网络中,提出了两种新颖的单循环算法 GSMGrad 和 SGSMGrad,以逼近在所有目标之间最大化最小改进的冲突避免方向。
- 基于轨迹的多目标模型重训练超参数优化
本研究提出了一种基于轨迹的多目标贝叶斯优化算法,通过考虑训练轮次作为附加决策变量,充分利用迭代学习过程中的轨迹信息来提升多目标超参数优化问题的性能。实验证明,该算法在寻找更好的权衡和提高调优效率方面优于现有的多目标优化器。
- 信任公平数据:利用质量优化公平导向的数据去除技术
通过引入多目标优化问题来平衡公平性和数据质量,我们提出了一种找到帕累托最优解的方法,以消除偏见缓解技术对数据集的剔除特定数据点所带来的信任问题,并保证子集对整体人群的公平性、组覆盖率和最小数据损失。
- 在优化中通过 LLM 辅助推理增强决策能力:神经网络视角
本文探讨了在大规模多目标优化领域中,生成 AI(GenAI)和进化算法(EAs)的无缝集成。通过着眼于大型语言模型(LLMs)的变革性作用,我们的研究调查了 LLM 辅助推理在自动化和增强决策过程中的潜力。具体而言,我们突出了 LLM 在揭 - 实时语义分割多目标优化基准测试套件
自动机器学习中的硬件感知神经架构搜索(HW-NAS)任务可视为黑盒多目标优化问题,其中一个重要应用是实时语义分割,通过一项新的基准测试套件 CitySeg/MOP 将 HW-NAS 任务转化为标准多目标优化问题,并在多种多目标进化算法上全面 - 重新思考衣物更换人物识别:冲突、综合与优化
该研究采用多目标优化解决方案,通过衣物变化合成和训练,成功改善了衣物变换人员识别模型在衣物保持不变条件下的性能,同时在标准人员识别任务中也表现出了卓越的性能。
- 多目标进化生成式对抗网络用于表格数据合成
这篇论文提出了一种智能的多目标进化条件表格生成对抗网络(SMOE-CTGAN),通过将条件向量应用于训练来建模条件合成数据,并利用多目标优化的概念在披露风险和实用性之间取得平衡,发现在训练的早期阶段可以实现具有竞争性实用性和极低风险的合成数 - 朝着为可持续发展的深度学习效能化:在深度转换神经网络上采用多目标超参数优化方法
深度学习已经通过从大规模数据集中提取复杂模式推动了各个领域的发展。本研究关注于利用自动机器学习技术充分发挥深度位移神经网络的潜力,并通过超参数优化来提高性能并降低资源消耗,实现多目标优化和多保真度。实验结果表明,我们的方法有效,能够获得 8 - 多目标优化问题中的协作帕累托集学习
多目标优化中的 Pareto 集学习是一个新兴的研究领域,该论文提出了一种协同 Pareto 集学习 (CoPSL) 框架,通过共享层和特定于 MOP 的层的协同处理,以高效地学习多个 MOP 的 Pareto 集。实验证明了 CoPSL - 多目标多解输送
通过寻求多个多目标优化问题的互补子集解决方案的权衡,我们引入了一种称为 MosT 的多目标多解传输框架,其通过在每个解决方案中对加权目标进行双层优化,并使用目标和解决方案之间的最优传输来定义权重,确保收敛到 Pareto 稳态解决方案。在联