Plenary lecture 8: towards opposition and center-based sampling for high-dimensional search spaces
Notice bibliographique
Résumé
Footprints of the opposition concept can be observed in many areas around us. But it has sometimes been called by different names. Opposite particles in physics, complement of an event in probability, absolute or relative complement in set theory, and theses and antitheses in dialectic just are some examples to mention. Recently for the first time, Opposition-Based Learning (OBL) was proposed and then the opposition-based methods have been introduced in different artificial intelligence areas. All of them have tried to enhance searching or leaning process by utilizing the opposition concept. Opposition-based evolutionary algorithms, opposition-based neural networks, and also opposition-based reinforcement learning are some efforts in this direction. The main idea behind OBL is the simultaneous consideration of a candidate and its corresponding opposite candidate in order to achieve a better approximation for the current solution. The first and second parts of this lecture introduce the opposition-based sampling and its applications in various soft computing techniques and center-based sampling, respectively. Population-based algorithms, such as Differential Evolution (DE), Particle Swarm Optimization (PSO), Genetic Algorithms (GAs), and Evolutionary Strategies (ES) are commonly used approaches to solve complex problems from science and engineering. They work with a population of candidate solutions. In this lecture, a novel center-based sampling is introduced for these algorithms. Reducing the number of function evaluations to tackle with high-dimensional problems is a worthwhile attempt; the proposed center-based sampling can open a new research area in this direction. Our simulation results confirm that this kind of sampling, which can be utilized during population initialization and/or generating successive generations, can be valuable in solving high-dimensional problems efficiently. Quasi-Oppositional Differential Evolution (QODE) will briefly be discussed as an evidence to support the proposed sampling theory. Finally, the opposition-based sampling and center-based sampling will be compared in this lecture.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,035 | 0,015 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».