ME2: A Scalable Modular Meta-heuristic for Multi-modal Multi-dimension Optimization
Notice bibliographique
Résumé
Map, Explore & Exploit (ME2) is a scalable meta-heuristic for problems in the field of multi-modal, multi-dimension optimization. It has a modular design with three phases, as reflected by its name. Its first phase (Map) generates a set of samples that is mostly uniformly distributed over the search space. The second phase (Explore) explores the neighbourhood of each sample point using an evolutionary strategy, to find a good - not necessarily optimal - set of neighbours. The third phase (Exploit) optimizes the results of the second phase. This final phase applies a simple gradient descent algorithm to find the local optima for each and all of the neighbourhoods, with the objective of finding a/the global optima of the whole space. The performance of ME2 is compared, on a fair basis, with the performance of benchmark optimization algorithms: Genetic Algorithms, Particle Swarm Optimization, Simulated Annealing and Covariance Matrix Adaptation Evolution Strategy. In most test cases it finds the global optima earlier than the other algorithms. It also scales-up, without loss of performance, to higher dimensions. Due to the distributed nature of ME2’s second and third phase, it can be comprehensively parallelized. The search & optimization process during these two phases can be applied to each sample point independently of all the others. A multi-threaded version of ME2 was written and compared to its single-threaded version, resulting in a near-linear speed-up as a function of the number of cores employed.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».