Интернет конференция по проблемам теории и практики управленияНазвание: МАШИННОЕ ОБУЧЕНИЕ МНОГОЦЕЛЕВОЙ ОПТИМИЗАЦИИ НА ОСНОВЕ ФРОНТА ПАРЕТО
Автор: Yassine Mohamed Hanafi
Соавторы:
Шкодырев Вячеслав Петрович
Аннотация:
Машинное обучение по существу является многоцелевым процессом. Как правило, хотя часто лишь одна цель реализуется в качестве функции за-трат, или Мульти-критерии анализируются в качестве нелинейной функ-ции затрат. Это может быть просто, так как большинство современных алгоритмов обучения работают только с нелинейными стоимостными функциями. В прошлом веке попытки решения задач машинного обучения с использованием подходов оптимизации по Мульти-критериям Парето привлекли к себе внимание, главным образом, благодаря значительному прогрессу в области многоцелевой оптимизации с использованием эволю-ционных алгоритмов и других популяционных стохастических методов поиска. Исследования показывают, что методы что многоцелевые методы обучения Парето более эффективны, чем нелинейные экономичные алго-ритмы обучения, при решении различных задач машинного обучения, таких как кластеризация, выбор функций. Одним из общих преимуществ различ-ных методов обучения по Мульти-критериям является то, что более ши-рокий взгляд на проблему обучения может быть получен при изучении фронта Парето, созданного множеством оптимальных решений по Паре-то. Выводы, сделанные в этой статье, определяют некоторые проблемы машинного обучения, но также дают нам новую точку зрения для изучения проблем машинного обучения.
Ключевые слова:
Парето Фронт, многоцелевая оптимизация, Нейронная сеть, машин-ное обучение , нефтепереработка
Автор: Yassine Mohamed Hanafi
Соавторы:
Шкодырев Вячеслав Петрович
Аннотация:
Машинное обучение по существу является многоцелевым процессом. Как правило, хотя часто лишь одна цель реализуется в качестве функции за-трат, или Мульти-критерии анализируются в качестве нелинейной функ-ции затрат. Это может быть просто, так как большинство современных алгоритмов обучения работают только с нелинейными стоимостными функциями. В прошлом веке попытки решения задач машинного обучения с использованием подходов оптимизации по Мульти-критериям Парето привлекли к себе внимание, главным образом, благодаря значительному прогрессу в области многоцелевой оптимизации с использованием эволю-ционных алгоритмов и других популяционных стохастических методов поиска. Исследования показывают, что методы что многоцелевые методы обучения Парето более эффективны, чем нелинейные экономичные алго-ритмы обучения, при решении различных задач машинного обучения, таких как кластеризация, выбор функций. Одним из общих преимуществ различ-ных методов обучения по Мульти-критериям является то, что более ши-рокий взгляд на проблему обучения может быть получен при изучении фронта Парето, созданного множеством оптимальных решений по Паре-то. Выводы, сделанные в этой статье, определяют некоторые проблемы машинного обучения, но также дают нам новую точку зрения для изучения проблем машинного обучения.
Ключевые слова:
Парето Фронт, многоцелевая оптимизация, Нейронная сеть, машин-ное обучение , нефтепереработка