Surrogate problem evaluation and selection for optimization with expensive function evaluations
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.010 | 0.023 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".