MétaCan
Menu
Retour à la cohorte
Enregistrement W4206945128 · doi:10.1109/ssci50451.2021.9660157

The Non-Walking Triangle Optimization Representation: Enabling Monte Carlo Tree Search-like Methods for Real Parameter Optimization Problems

2021· article· en· W4206945128 sur OpenAlexafffund
Rachel Brown, Daniel Ashlock

Notice bibliographique

Revue2021 IEEE Symposium Series on Computational Intelligence (SSCI) · 2021
Typearticle
Langueen
DomaineComputer Science
ThématiqueArtificial Intelligence in Games
Établissements canadiensUniversity of Guelph
Organismes subventionnairesUniversity of Guelph
Mots-clésMonte Carlo methodAlgorithmMathematicsTree (set theory)Mathematical optimizationComputer scienceOptimization problemRepresentation (politics)StatisticsCombinatorics

Résumé

récupéré en direct d'OpenAlex

Real parameter estimation is typically performed by an algorithm that operates directly on vectors of real parameters. This study presents an extension of a representation for real parameter optimization that is discrete and based on the iterated partition of simplices, known as the Walking Triangle Representation (WTR), and pairs it with Monte Carlo Tree Search (MCTS)-like algorithms. The number of moves allowed to the WTR is reduced to only its centering move, where a vertex of the simplex is replaced by its center of mass. This representation converts a real parameter optimization to a discrete form, which can then be paired with MCTS-like algorithms. The tree structure of MCTS allows one to keep track of and exploit information from previous attempts (tree extensions) when choosing the next set of moves to try. Six real parameter optimization problems were used to test the algorithm. Four parameters in the algorithm were studied, including: minimum gene length, maximum gene length, number of tree extensions, and probability of exploration (chance). The algorithm regularly performed consistently well, even with a low number of fitness evaluations (typical number of fitness evaluations is up to 3750 per run). This paper focuses on the ability of the Non-Walking Triangle Representation to convert real parameter optimization problems into discrete representations. This concept is demonstrated through the evaluation of the Non-Walking Triangle Monte Carlo Tree Search (MCNon-Walk) algorithm's ability to find optima in a variety of real parameter optimization problems, using differential evolution as a baseline for comparison.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,060
Tête enseignante GPT0,359
Écart entre enseignants0,299 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revue2021 IEEE Symposium Series on Computational Intelligence (SSCI)Même sujetArtificial Intelligence in GamesTravaux en français237 207