Projekti / Programi
Mr-BEC: Sodobni pristopi za primerjalno analizo v evolucijskem računanju
| Koda |
Veda |
Področje |
Podpodročje |
| 2.07.00 |
Tehnika |
Računalništvo in informatika |
|
| Koda |
Veda |
Področje |
| P170 |
Naravoslovno-matematične vede |
Računalništvo, numerična analiza, sistemi, kontrola |
| Koda |
Veda |
Področje |
| 1.02 |
Naravoslovne vede |
Računalništvo in informatika |
Pristopi za oceno učinkovitosti, statistika, evolucijsko računanje, teorija informacij, teorija naključnih matrik, primerjalna analiza
Raziskovalci (1)
| št. |
Evidenčna št. |
Ime in priimek |
Razisk. področje |
Vloga |
Obdobje |
Štev. publikacijŠtev. publikacij |
| 1. |
50854 |
dr. Tome Eftimov |
Računalništvo in informatika |
Vodja |
2019 - 2021 |
233 |
Organizacije (1)
| št. |
Evidenčna št. |
Razisk. organizacija |
Kraj |
Matična številka |
Štev. publikacijŠtev. publikacij |
| 1. |
0106 |
Institut "Jožef Stefan" |
Ljubljana |
5051606000 |
90.664 |
Povzetek
Pri evolucijskem računanju (ER), delu računalniške inteligence, so glavne raziskave osredotočene na razvoj algoritmov za globalno optimizacijo, ki se zgledujejo po biološki evoluciji. Ti algoritmi so primerni za učinkovito iskanje dobrih rešitev NP-težkih problemov, ki jih ni mogoče izračunati bodisi v analitski ali polanalitski obliki, kakor tudi ne z determinističnimi (natančnimi) algoritmi. Veliko realnih primerov vključuje optimizacijske probleme, npr.: zmanjševanje tveganj, zmanjševanje stroškov, maksimiranje zanesljivosti, čim večjo učinkovitost itd. Še več, ti v kombinaciji z algoritmi strojnega učenja postajajo močne tehnike za reševanje številnih napovednih problemov v industriji.
Primerjalna analiza je v ER ključna pri ovrednotenju uspešnosti (novo uvedenega) optimizacijskega algoritma napram drugim algoritmom. Teorija primerjalne analize vključuje tri glavna vprašanja: i) katere probleme je treba izbrati za primerjalno analizo, ii) kako nastaviti poskuse in iii) kako ovrednotiti uspešnost. Težišče predlaganega projekta so pristopi ovrednotenje uspešnosti, ki se uporabljajo, ko so problemi že izbrani in poskusi določeni.
Obstoječi pristopi za ovrednotenje uspešnosti temeljijo na statistični primerjavi rezultatov optimizacijskih algoritmov. Čeprav je za raziskave ključnega pomena, da so pristopi za ovrednotenje uspešnosti povezani s statistično relevantnostjo, v realnem svetu še vedno obstaja velika razlika med teorijo in prakso, saj se včasih statistična relevantnost ne odraža v praksi. Dodatna težava je izbira mer uspešnosti, s katerimi lahko opisujemo različne vidike uspešnosti. Lahko se zgodi, da je ovrednotena dobra uspešnost algoritma bolj rezultat korelacije med izbrano mero uspešnosti in metodologijo algoritma, kot dejanska nepristransko dobljena uspešnost (npr. z uporabo mere, ki je bolj naklonjena primerjavi analiziranega algoritma). Mera uspešnosti običajno pretvori rezultate optimiranja v enodimenzionalne podatke, ki se analizirajo ne da bi pri tem upoštevali informacije zajete v večdimenzionalnem prostoru, kar bi lahko dalo dodaten vpogled v učinkovitost optimizacijskega algoritma. Da bi zagotovili resnično poglobljeno razumevanje uspešnosti algoritmov je treba poleg »preprostih« statistik v celoti obravnavati vsa omenjena vprašanja. To bo izboljšalo uporabnost optimizacijskih algoritmov.
Glavni cilj predlaganega projekta je iznajti, razviti, implementirati in ovrednotiti ogrodje za primerjalno analizo v ER, ki bo sestavljeno iz metodologij za poglobljeno razumevanje obnašanja optimizacijskih algoritmov. Še posebej se bo metodologija osredotočala na ugotavljanje praktične relevantnosti rezultatov, pridobivanja znanja iz večdimenzionalnih prostorov in pridobivanja splošnejših zaključkov z uporabo več mer uspešnosti namesto ene. V predlagani metodologiji bodo sodobni pristopi za primerjalno analizo temeljili na sinergiji med statistikami (frekvenčna in Bayesova), informacijsko teorijo in teorijo naključnih matrik. Osnovna ideja predlagane metodologije je uvedba rangirne sheme za pretvorbo neobdelanih podatkov v vhodne podatke za analizo z ustreznim statističnim testom. Vsem rangirnim shemam bo skupno to, da bodo temeljile na primerjavi distribucij in tako skušale obravnavati podatke, ki opisujejo različne vidike uspešnosti. Razvoj predlagane metodologije in njeno izvajanje je motiviran z nenehno rastjo industrijskih optimizacijskih problemov, kar vodi v zahtevo po boljšem razumevanju narave in metodologije algoritmov.
Pričakujemo, da bo vpliv predlagane metodologije v sodobnih pristopih za primerjalno analizo pri ER vodil k poglobljenemu razumevanju uspešnosti optimizacijskih algoritmov. Pričakujemo, da bomo identificirali primere z drugih raziskovalnih področij, kot so obdelava naravnega jezika, strojno učenje in obdelava signalov ter tako pokazali splošno uporabnost predlagane metodologije.
Pomen za razvoj znanosti
Pričakujemo, da bo vpliv predlagane metodologije v sodobnih pristopih za primerjalno analizo pri ER vodil k poglobljenemu razumevanju uspešnosti optimizacijskih algoritmov. Nadalje pričakujemo tudi, da bomo novo metodologijo združili s tehnologijo metaučenja in s tem pridobljeno znanje prenesli iz primerjalne analize na realne primere.
Na področju teorije primerjalne analize bo to nov korak, ki bo raziskovalcem pomagal zagotoviti ustrezno analizo študij, saj zahteva uporaba tradicionalnih pristopov poznavanje potrebnih pogojev glede podatkov, ki jih je potrebno izpolniti, da lahko pristope pravilno uporabljamo. Ta korak je pogosto izpuščen in raziskovalci enostavno uporabijo statistični test, ki je v večini primerov izposojen iz podobne objavljene študij in je lahko neprimeren za njihove podatke. Ta vrsta nerazumevanja je prepogosta med raziskovalci in jo je mogoče opaziti tudi v številnih objavah v visoko rangiranih znanstvenih revijah. Sama po sebi se ponuja domneva, da je to včasih narejeno celo z namenom zavajanja bralca, da so rezultati avtorjev boljši, kot dejansko so.
Pričakujemo, da bomo identificirali primere z drugih raziskovalnih področij, kot so obdelava naravnega jezika, strojno učenje in obdelava signalov ter tako pokazali splošno uporabnost predlagane metodologije.
Predvidevamo, da bomo rezultate naših raziskav objavili v več (2–4) znanstvenih člankih v revijah najvišje kakovosti (IEEE Transactions on Evolutionary Computing, Information Sciences, Information Fusion) in s prispevki in strokovnimi predavanji sodelovali na več (3–6) mednarodnih konferencah (The Genetic and Evolutionary Computation Conference (GECCO), IEEE Congress on Evolutionary Computation (CEC), IEEE Symposium on Computational Intelligence (IEEE-SSCI)). Projekt bo služil tudi kot izhodišče za nove predloge projektov Obzorij 2020 oz. drugim agencijam, ki financirajo znanost.
Pomen za razvoj Slovenije
We expect our proposed methodology to have the greatest impact on modern approaches for benchmarking in evolutionary computation, leading to an in-depth understanding of an algorithms’ performance. We expect that this novel methodology will be further combined with meta-learning to transfer the gained knowledge from benchmarking to real-world scenarios.
In the area of benchmarking theory, this will also be a step towards helping researchers apply a proper study analysis, since traditional approaches requires knowledge of the necessary data conditions about the data that must be met in order for it to be applied. This step is often omitted and researchers simply apply a statistical test, in most cases borrowed from a similar, published study, which can be inappropriate for their data. This kind of misunderstanding is all too common in the research community and can be observed even in many high-ranking journal papers. It can be assumed, that this is sometimes made on purpose to mislead the reader in believing that the authors’ results are better than they actually are.
We will show the general applicability of the proposed methodology through identifying cases from research domains other than EC, such as machine learning, natural language processing, and signal processing.
We expect this research proposal to result in several (2-4) publications in high-ranking journals (IEEE Transactions on Evolutionary Computation, Information Sciences, Information Fusion), and participation at several (3-6) international conferences, where papers and tutorials will be presented, and workshops will be organized (The Genetic and Evolutionary Computation Conference (GECCO), IEEE Congress on Evolutionary Computation (CEC), IEEE Symposium on Computational Intelligence (IEEE-SSCI)). This could also serve as a vehicle for possible Horizon 2020 project proposals and/or proposals to other science funding agencies.
Najpomembnejši znanstveni rezultati
Vmesno poročilo
Najpomembnejši družbeno–ekonomsko in kulturno relevantni rezultati
