Surrogate problem evaluation and selection for optimization with expensive function evaluations
Notice bibliographique
Résumé
ABR ÉG ÉMalgré les progrès en techniques de simulation, l'utilisation des modèles très précis peut être un frein à l'application des méthodes d'optimisation classiques en raison de leur coût élevé en ressources informatiques.Pour résoudre ces problèmes, les solutions proposées dans la littérature sont l'utilisation des modèles de substitution ou une réduction des objectifs.Pour faire un choix de modèle de substitution ou un ensemble d'objectifs réduit, il faut évaluer ses pertinence comme substituts au problème original.Il y a plusieurs paramètres de performance, mais la plupart d'entre eux ne sont généralement pas applicables aux deux solutions proposées dans la littérature.De plus, pour la plupart des paramètres, il n'y a pas de justification théorique d'optimisation basée sur les modèles de substitution.Dans ce cadre, cette thèse vise les points suivants: (i) unifier l'estimation de performance des modèles de substitution et des problèmes réduits, (ii) examiner les différents paramètres de performance et fournir une justification formelle dans le champ l'optimisation et (iii) proposer un nouvel ensemble de paramètres pour généraliser le concept du maintient de l'ordre pour les problèmes multiobjectifs.Les résultats d'un certain nombre de problèmes de référence montrent que certains paramètres proposés peuvent généralement identifier les problèmes de substitution de meilleure qualité dans la plupart des cas et sont moins sensibles aux échantillons donnés en comparaison avec les autres paramètres.Finalement, différents problèmes de substitution sont évalués dans le cadre de la conception de moteurs électriques.À cet égard, les résultats montrent que certaines des formulations présentées dans la littérature contiennent des objectifs superflus et que les polynômes des ordres inferieurs fournissent des modèles de substitution de meilleure qualité pour la plupart des fonctions objectives considérées.
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 | 0,010 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».