A Recommender System Approach for Very Large-scale Multiobjective Optimization

要約

タイトル：超大規模マルチオブジェクト最適化のためのレコメンダーシステムアプローチ
要約：
– 100,000次元以上の変数を持つマルチオブジェクト最適化問題は、現実世界の問題に多く見られる。
– 既存の進化的最適化手法は、このような超大規模な問題に取り組む際に、要件を満たせないと考えられる。
– 本論文では、過去の対話が限られた超大規模アイテムを扱う既存のレコメンダーシステムの成功から着想を得て、VMORS（レコメンダーシステムを用いた超大規模マルチオブジェクト最適化）という手法を提案する。
– 提案手法では、解がユーザー、進化方向がレコメンド待ちのアイテムとして定義される。
– 解に最適なアイテム（進化方向）を推奨するために、Thompson samplingアルゴリズムを使用する。
– 実験結果により、提案手法が既存の手法よりも優れた性能を示すことが確認された。

要約(オリジナル)

We define very large multi-objective optimization problems to be multiobjective optimization problems in which the number of decision variables is greater than 100,000 dimensions. This is an important class of problems as many real-world problems require optimizing hundreds of thousands of variables. Existing evolutionary optimization methods fall short of such requirements when dealing with problems at this very large scale. Inspired by the success of existing recommender systems to handle very large-scale items with limited historical interactions, in this paper we propose a method termed Very large-scale Multiobjective Optimization through Recommender Systems (VMORS). The idea of the proposed method is to transform the defined such very large-scale problems into a problem that can be tackled by a recommender system. In the framework, the solutions are regarded as users, and the different evolution directions are items waiting for the recommendation. We use Thompson sampling to recommend the most suitable items (evolutionary directions) for different users (solutions), in order to locate the optimal solution to a multiobjective optimization problem in a very large search space within acceptable time. We test our proposed method on different problems from 100,000 to 500,000 dimensions, and experimental results show that our method not only shows good performance but also significant improvement over existing methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI