Notice bibliographique
Résumé
As many real-world optimization problems are large-scale and expensive, the large search space and expensive gradient computation may lead to failure of metaheuristic and classical algorithms. The problem even gets more crucial as we move from continuous domain to the discrete or mixed type one, because most of the discrete optimization problems are NP-hard and cannot be treated as convex or linear optimization, therefore there exists no cost-effective algorithm to cope with large-scale discrete global optimization (LSDGO) problems. However, due to the low memory demand and computational cost of coordinate descent (CD) search methods they are appropriate algorithms for optimizing large-scale expensive problems. In this paper, we propose a discrete version of CD algorithm called Discrete Coordinate Descent (DCD) as an effective method for solving LSDGO problems. Our proposed algorithm makes the most of two essential phases referred to as finding the region of interest and folding the search space, which shrinks it into two halves per variable and results in ${\left( {\frac{1}{2}} \right)^D}$ shrinking of the whole search space at each iteration (D indicates the problem's dimension). Since the proposed algorithm shrinks the search space rapidly, it requires a low computational budget to find the optimal value for each coordinate. In order to investigate the efficiency of our algorithm precisely, we tested it on 20 well-known large-scale problems with dimensions of 30, 50, 100, and 1000. The results demonstrate the potency of DCD not only in low-scale discrete problems, but in large-scale discrete optimization problems as well.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».