Neural-network-based estimation of normal distributions in black-box optimization

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F22%3A10450929" target="_blank" >RIV/00216208:11320/22:10450929 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.14428/esann/2022.ES2022-113" target="_blank" >https://doi.org/10.14428/esann/2022.ES2022-113</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.14428/esann/2022.ES2022-113" target="_blank" >10.14428/esann/2022.ES2022-113</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Neural-network-based estimation of normal distributions in black-box optimization

Popis výsledku v původním jazyce

The paper presents a novel application of artificial neuralnetworks (ANNs) in the context of surrogate models for black-box opti-mization, i.e. optimization of objective functions that are accessed throughempirical evaluation. For active learning of surrogate models, a very im-portant role plays learning of multidimensional normal distributions, forwhich Gaussian processes (GPs) have been traditionally used. On theother hand, the research reported in this paper evaluated the applicabil-ity of two ANN-based methods to this end: combining GPs with ANNsand learning normal distributions with evidential ANNs. After methodssketch, the paper brings their comparison on a large collection of data fromsurrogate-assisted black-box optimization. It shows that combining GPsusing linear covariance functions with ANNs yields lower errors than theinvestigated methods of evidential learning.

Název v anglickém jazyce

Neural-network-based estimation of normal distributions in black-box optimization

Popis výsledku anglicky

The paper presents a novel application of artificial neuralnetworks (ANNs) in the context of surrogate models for black-box opti-mization, i.e. optimization of objective functions that are accessed throughempirical evaluation. For active learning of surrogate models, a very im-portant role plays learning of multidimensional normal distributions, forwhich Gaussian processes (GPs) have been traditionally used. On theother hand, the research reported in this paper evaluated the applicabil-ity of two ANN-based methods to this end: combining GPs with ANNsand learning normal distributions with evidential ANNs. After methodssketch, the paper brings their comparison on a large collection of data fromsurrogate-assisted black-box optimization. It shows that combining GPsusing linear covariance functions with ANNs yields lower errors than theinvestigated methods of evidential learning.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/LM2018131" target="_blank" >LM2018131: Česká národní infrastruktura pro biologická data</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

ESANN 2022 proceedings

ISBN

978-2-87587-084-1

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

187-192

Název nakladatele

i6doc.com

Místo vydání

Belgium

Místo konání akce

Bruges, Belgium

Datum konání akce

5. 10. 2022

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

—