記事「母集団最適化アルゴリズム：SSG（Saplings Sowing and Growing up、苗木の播種と育成）」についてのディスカッション - ページ 4

[fxsaber]

Andrey Dik #:

つまり、最適化されるためにシステムに課されたいくつかの要件である。システムに対する要件が変更されれば、FFは変更されるが、システムは変更されていないよね？

例えば、バランスなど、不可欠なFFはフォレストと全く同じように見える。

可能であればインテグラルFFを使わないようにし、不可能であればFFの上にNADストロイカを作る、つまり鋭いピークを避けるためにFFをFFに当てはめることが必要である。

バランスFFは、（おそらく）森のように見える。バランスによる最適化の結果の濁った水の中で、どこか近くにあるセンスの粒子を漁ることもできるし、逆に、表面がもはや鋭角的な有限ではなく、すべての必要なパラメータが近くにあり、同時に一番上のなだらかな丘の上にあるように、バランスFFを上部構造化することもできる！

要するに、もしFFが鋭角的に有限であるならば、この問題から絞り出せるのは本当にこれだけか、研究者がミスを犯したかのどちらかである、と言うことができる。

これは全く別の話題である。いつ、どのように丘やスパイクを考慮するのが理にかなっているかということである。それを知るためには、まず、任意の関数上でそれを見つける方法を学ばなければならない。

[Andrey Dik]

fxsaber #:

これは全く別のトピックで、いつ、どのように丘／スパイクを考慮するのが理にかなっているかということである。これを理解するためには、まず、任意の関数上でそれを見つける方法を学ばなければならない。

よし、それならこう推論してみよう......。

しかし、もし「プラトー」（近い点の最大濃度）がグローバルな極値よりもずっと低いことがわかったらどうだろう？プラトーの高さの許容レベルはどこにあるのだろう？

私は、得ようとするものが何らかの方法で記述できるという事実、すなわち、イテグでは、この問題は、すべての最も近い許容解が集中する大域的極限の探索につながるという事実を推し進めようとしている）。

[mytarmailS]

fxsaber 最適化基準に 関係なく）タイトにフィットする。

私も同じことに興味があったので、ここで頭のいい人たちに質問します。

https://stats.stackexchange.com/questions/566930/optimization-taking-into-account-the-shape-of-the-optimization-surface

これはあなたが達成したいことですか？

[fxsaber]

Andrey Dik #:

それなら、次の線で推論してみようか......。

しかし、もし「プラトー」（クローズポイントの最大濃度）がグローバルな極値よりもずっと低いことが判明したらどうだろう？ プラトーの高さの許容レベルはどこにあるのだろう？

私は、得ようとするものが何らかの方法で記述できるという事実、すなわち、イテグでは、問題は大域的極限の探索につながり、そこにすべての最も近い許容可能な解が集中するという事実を推し進めようとしている）。

そう、すべては大域を見つけることに帰結する。GAの最後のステップは、その大域の周辺でなければならない。だから、基本的には次のGAの実行で捨てる領域となる。

つまり、提案されているアルゴリズムのどれを使っても、常にグローバルだけを探索する。そして、グローバルが落ちた領域を単純に捨て、それを繰り返す。

[fxsaber]

mytarmailS #:

私も同じことを疑問に思っていたので、賢い人たちに質問です。

https://stats.st ackexchange.com/questions/566930/optimization-taking-into-account-the-shape-of-the-optimization-surface

これが、あなたが実現したいことですか？

そう、それだ。それ以上だ。

この絵では、以前に見つかった極大の領域をすべて捨てるという原則に従って行動すれば、赤と緑の両方の領域を見つけることができる。

この絵の場合、5つの最適化が必要で、4つは赤、1つは緑を見つける。

そして5つの点をTesterDashboardのアナログに通すと、誰が何の価値があるかがすぐにわかる。

ZЫ 平滑化の提案をする "賢い "人たちが、表面オブジェクトの形成の本質を理解していないのは不思議だ。

[mytarmailS]

fxsaber #:

そう、それだ。そしてもっと。

この写真では、以前に見つかった極大の領域をすべて捨てるという原則に従って行動すれば、赤と緑の両方の領域を見つけることができる。

この絵の場合、5つの最適化が必要で、4つで赤、1つで緑を見つけることができる。

そして、その5つのポイントをTesterDashboardのアナログに通すと、すぐに誰が何の価値があるかがわかる。

そうだ、

つまり、あなたはいくつかのピークを見つけて、それらをすべてテストしたいのですね？

鋭いピークは無視して、滑らかなピークを見つけたいのでは？

最初のケースでは、少ない反復回数で数回OAを実行すればいい。

2つ目のケースでは、「ノイズの多い関数の最適化」のセクションになります。

特殊なドメインには特殊なAOがある。

一般的なものから、AOを行う：

シミュレーテッド・バーンアウト、ベイズ最適化。

AO - 最適化アルゴリズム

[Andrey Dik]

fxsaber #:

そう、それだ。そしてもっと。

この写真では、以前に見つかった極大の領域をすべて捨てるという原則に従って行動すれば、赤と緑の両方の領域を見つけることができる。

この絵の場合、5つの最適化が必要で、4つで赤、1つで緑を見つけることができる。

そして5つのポイントをTesterDashboardのアナログに通すと、誰が何の価値があるかがすぐにわかる。

ここで！私が伝えたいのは、5回の最適化を回避して、1回の最適化で一度に緑の領域に入ることが可能だということだ。そのためには、マイナーFFの上にメインFFを導入する必要がある。

つまり、写真のFFが必要なのではなく、グローバルな最大値を探す必要があるFFが必要なのだ。

指で説明するのは難しいが、記事の中で説明できるだろう))))

[fxsaber]

mytarmailS #:

だから、いくつかのピークを見つけて、それらをすべてテストしたいんだろう？

そうです。20以上のピークをチェックするのは、原則として意味がありません。ロバストなものがあれば、この20個の中から見つかるはずです。

もちろん、理論的には丘が削られたハリネズミを想像すればいい。そうすれば、放出原理に基づく100の最適化の中に丘は存在しないことになる。しかし、この状況は実際にはほど遠い。

原則として、そのようなハリネズミにはハゲがないように自分たちで形成する。

[mytarmailS]

Andrey Dik #:

ほら！一度に5つの最適化を避けることができると言いたいんだ。

緑のエリアは必要ない。

[mytarmailS]

fxsaber #:

20以上のピークをチェックするのは、原則として意味がない。もし何か強固なものがあれば、それはこの20個の中から見つかるはずだ。

もちろん、理論的には丘が削られたハリネズミを想像することができる。そうすれば、放出原理に基づく100の最適化の中に丘は存在しないことになる。しかし、この状況は実際にはほど遠い。

原則として、私たち自身がそのようなハリネズミにハゲを形成する。

それなら、上に書いたように非常に簡単だ。

ピークが20個必要なら、AOを20回実行すればいい。