Distributed Evolutionary Computation: A New Technique for Solving Large Number of Equations
演化计算技术已经成功地用于解决各种优化和学习问题。进化算法在求解复杂问题时比传统方法更能有效地获得最优解。在具有大参数集的问题的情况下，演化计算技术对于单个处理单元引起巨大的计算负担。考虑到这一局限性，本文提出了一种新的分布式演化计算技术，该技术将决策向量分解成更小的分量，在较短的时间内获得最优解。在该技术中，基于雅可比的时变自适应（JBTVA）混合进化算法是分布式的，结合集群计算。此外，两个新的选择方法，即最佳所有选择（BAS）和孪生选择（TS）的最佳拟合解向量的选择。实验结果表明，该分布式系统对不同类型的大参数问题都能获得最优解，并获得了相当大的加速比。
2013-03-03 cs.NE
Spatial Evolutionary Generative Adversarial Networks
生成式对抗网络（GANs）遭受训练病态，例如不稳定性和模式坍塌。这些疾病主要是由于它们的对抗性互动缺乏多样性而产生的。进化生成对抗网络应用演化计算的原理来缓解这些问题。我们混合了两种促进培训多样性的方法。一个是E-GAN，在每一批中，通过用三个独立的目标函数训练（复制的）生成器，然后为下一批选择结果最好的生成器来注入突变多样性。另一个是Lipizzaner，它通过使用分布式进化算法训练GANs的二维网格来注入种群多样性，该算法包括额外训练对手的邻居交换，基于性能的选择和基于种群的超参数调整。我们建议结合变异和人口的多样性改善的方法。我们贡献了一种卓越的进化GANs训练方法Mustangs，它消除了Lipizzaner网格中使用的单个损失函数。相反，在每个训练轮中，从三个E-GAN使用中以相等的概率选择损失函数。对标准基准测试MNIST和CelebA的实验分析表明，Mustangs提供了一种统计上更快的训练方法，从而产生更准确的网络。
2019-05-29 cs.NE
A two-stage algorithm in evolutionary product unit neural networks for classification
本文提出一种两阶段进化算法，通过创建两个不同参数设置的初始种群并择优合并，以增强多样性，在UCI十二个数据集及两个真实问题上显著提升分类效率与有效性。
2024-02-09 cs.NE
Hybridization of evolutionary algorithm and deep reinforcement learning for multi-objective orienteering optimization
多目标定向运动问题是经典的多目标路径问题，在过去的几十年里受到了广泛的关注。本研究试图通过一个问题分解框架来求解MO-OP，即将MO-OP分解为一个多目标背包问题（MOKP）和一个旅行商问题（TSP）。然后分别用多目标进化算法（MOEA）和深度强化学习（DRL）方法求解MOKP和TSP。MOEA模块用于选择城市，而DRL模块用于为这些城市规划哈密尔顿路径。这两个模块的迭代使用推动人口走向MO-OP的帕累托前沿。所提出的方法的有效性进行了比较，对NSGA-II和NSGA-III的各种类型的MO-OP的情况下。实验结果表明，该方法在几乎所有的测试实例上都表现出最好的性能，并表现出很强的泛化能力。
2022-06-21 cs.NE
K-Bit-Swap: A New Operator For Real-Coded Evolutionary Algorithms
实数编码遗传算法（RCGA）提出了多种交叉算子，这些交叉算子将来自相同位置的值重组为成对的字符串。在这篇文章中，我们提出了一个重组算子的RC-GAs，随机选择的位置在两个父母，并比较它的主流交叉算子在一系列的标准多维优化问题和聚类问题的实验。我们提出了两种变体的运营商，无论是随机选择的字符串中均匀的两个位，或采样的第二位从一个正态分布集中在选定的位置在第一个字符串。虽然该算子偏向于利用适应度空间，但随机选择用于交换的第二位使其稍微不那么偏向于利用。广泛的统计分析，使用非参数检验显示的优势，新的重组运营商的一系列测试功能。
2016-04-22 cs.NE
Peptide Vaccine Design by Evolutionary Multi-Objective Optimization
本文提出基于进化多目标优化的框架 PVD-EMO，将肽疫苗设计建模为同时最大化肽-MHC结合数并最小化所选肽数的双目标问题，并结合热启动与修复策略，在COVID-19疫苗设计实验中优于贪心算法。
2024-06-09 cs.NE q-bio.BM
Use of statistical outlier detection method in adaptive evolutionary algorithms
School of Chemical Engineering（化工学院）；School of Information Technology（信息技术学院）；University of New South Wales（新南威尔士大学）；University of New South Wales and Electrical Engineering（新南威尔士大学与电气工程学院）
在本文中，进化算法（EA）搜索算子的适应概率的问题重新审视。设计了一个框架，用于区分业绩计量和为适应目的对这些计量的解释。提供了几个测量和统计解释的例子。概率值自适应测试使用EA与10个搜索运营商对10个测试问题的结果表明，这两种类型的测量和统计解释EA性能发挥重要作用。我们还发现，选择运营商的基础上，而不是平均性能的患病率是能够提供相当大的改进，自适应方法和健全优于非自适应的情况下。
2009-07-03 cs.AI cs.NE
A Novel Population Initialization Method via Adaptive Experience Transfer for General-Purpose Binary Evolutionary Optimization
本文提出了一种基于自适应经验迁移的通用二进制优化群体初始化方法，通过少量函数评估生成高质量初始群体，有效提升复杂问题的求解性能。
2025-11-29 cs.NE
Impact of Surrogate Model Accuracy on Performance and Model Management Strategy in Surrogate-Assisted Evolutionary Algorithms
Tokyo Metropolitan University（东京都立大学）；Saitama University（埼玉大学）
本研究探讨了代理模型精度对代理辅助进化算法性能及模型管理策略的影响，发现不同策略在不同精度下表现各异，为选择合适策略提供了依据。
2025-03-02 cs.NE
On Steady-State Evolutionary Algorithms and Selective Pressure: Why Inverse Rank-Based Allocation of Reproductive Trials is Best
我们分析了稳态EA的全局优化能力的选择性压力的影响。对于标准的双峰基准函数\twomax，我们严格证明，使用统一的父选择导致指数运行时，以高概率找到两个最优的标准（$μ$ +1）~EA和（$μ$ +1）~RLS与任何多项式的人口规模。另一方面，我们证明了选择最差的个人作为父母导致有效的全局优化与压倒性的概率合理的人口规模。由于总是选择最差的个人可能会有不利影响，从局部最优逃脱，我们考虑的性能随机父选择算子的低选择压力的函数类称为\textsc{TruncatedTwoMax}，其中一个斜率比其他短。实验分析表明，EA配备逆比赛选择，其中失败者被选择用于复制和小比赛大小，全局优化\textsc{TwoMax}有效地和有效地逃脱局部最优的\textsc{TruncatedTwoMax}具有高概率。因此，他们有效地确定了两个最优选择，而统一（或更强）的选择在理论和实践中都失败了。然后，我们展示了逆选择的力量，从文献中的人口是必不可少的，通过提供严格的证明或实验证据，它优于统一的选择配备或不重新启动策略。最后，我们通过对经典MaxSat和多维背包问题的标准基准的不同选择压力的实证分析来证实我们的理论见解。
2021-03-18 cs.AI cs.NE
Landscape Analysis for Surrogate Models in the Evolutionary Black-Box Context
Czech Technical University（捷克技术大学）；Charles University in Prague（布拉格查理大学）；Czech Academy of Sciences（捷克科学院）
代理建模已经成为一种有价值的技术，黑盒优化任务与昂贵的评估目标函数。本文研究了代理模型的预测精度与黑箱函数景观特征之间的关系。我们还研究了景观分析的特点，在不同的转换和方式的背景下选择的输入数据的属性。我们执行景观分析的一个大的数据集使用运行的代理辅助版本的协方差矩阵自适应演化策略的比较连续优化器基准测试平台的无噪声部分。
2022-10-02 cs.LG cs.NE math.OC
Towards Running Time Analysis of Interactive Multi-objective Evolutionary Algorithms
本文首次对实用交互式多目标进化算法（R-NSGA-II）进行运行时间分析，证明其在OneMinMax和OneJumpZeroJump问题上渐近快于传统NSGA-II，并指出其可能失效的情形。
2023-10-15 cs.NE
A Performance Investigation of Multimodal Multiobjective Optimization Algorithms in Solving Two Types of Real-World Problems
针对现有 MMOAs 偏重基准测试的问题，本文构建特征选择与广州选址两类实际问题及四个数据集，评估七种 MMOAs 的性能并给出选型启示。
2024-12-04 cs.NE
Benchmarking Subset Selection from Large Candidate Solution Sets in Evolutionary Multi-objective Optimization
Southern University of Science and Technology（南方科技大学）
在进化多目标优化（EMO）领域，标准的做法是将EMO算法的最终种群作为输出。然而，它已被证明，最终的人口往往包括解决方案占主导地位的其他解决方案产生和丢弃在前几代。最近，一个新的EMO框架已被提出来解决这个问题，通过存储所有的非支配的解决方案在进化过程中产生的存档，并选择一个子集的解决方案从存档作为输出。在这个框架中的关键组成部分是从通常存储了大量的候选解决方案的档案子集的选择。然而，大多数子集选择的研究集中在小的候选解决方案集的环境选择。没有用于大规模子集选择的基准测试套件。本文旨在填补这一研究空白，提出了一个基准测试套件的子集选择从大的候选解决方案集，并比较了一些代表性的方法使用建议的测试套件。建议的测试套件连同基准研究提供了一个基线，研究人员理解，使用，比较，并开发子集选择方法在EMO领域。
2022-03-29 cs.AI cs.NE
MOELIGA: a multi-objective evolutionary approach for feature selection with local improvement
Research Institute for Signals, Systems
本文提出MOELIGA，一种结合局部改进策略的多目标进化算法，用于在特征子集大小与分类精度之间取得平衡，通过实验验证其在14个数据集上优于或与现有方法相当的性能。
2026-04-07 cs.LG cs.NE
Deep Reinforcement Learning-Assisted Automated Operator Portfolio for Constrained Multi-objective Optimization
School of Computer Science and Technology, Anhui University（安徽大学计算机科学与技术学院）
本文提出基于深度强化学习的自动操作符组合方法，通过学习操作符分配方案提升约束多目标优化算法性能，实验表明其在33个基准问题上表现更优且更稳定。
2026-03-17 cs.NE
Exploring Promising Stepping Stones by Combining Novelty Search with Interactive Evolution
演化计算领域的灵感来自于自然进化的成就，在自然进化中没有最终目标。然而，对目标的追求在模拟进化中无处不在。一个重要的问题是，客观方法假定中间的垫脚石将越来越接近最终目标，而事实上往往并非如此。结果是，虽然可能存在解决办法，但寻找这些目标可能找不到解决办法。本文强调了在搜索过程中利用人类洞察力作为明确目标的替代方法的重要性。特别是，一种新的方法，称为新奇辅助交互式演化计算（NA-IEC）结合人类的直觉与新奇的搜索，第一次促进代理行为的偶然发现。在这种方法中，人类用户通过从屏幕上的行为群体中选择感兴趣的内容来指导进化。然而，与典型的IEC不同，用户现在可以请求用新的后代填充下一代。实验结果表明，将人类洞察力与新颖性搜索相结合，比全自动化过程（包括纯新颖性搜索）更快地找到解决方案，并且基因组复杂性更低，这表明人类用户在搜索解决方案中发挥了重要作用。
2012-07-28 cs.NE
Stochastic Population Update Can Provably Be Helpful in Multi-Objective Evolutionary Algorithms
Nanjing University（南京大学）；University of Birmingham（伯明翰大学）
针对多目标进化算法（MOEAs）种群更新通常为贪婪确定性的问题，本文证明将其替换为随机机制可使SMS-EMOA和NSGA-II求解两个双目标问题的期望运行时间指数级减少，实证亦验证该方法有效性，为MOEAs开发提供新方向。
2025-02-16 cs.AI cs.NE
Large Language Model-Driven Surrogate-Assisted Evolutionary Algorithm for Expensive Optimization
Department of Electrical and Electronic Engineering, The Hong Kong Polytechnic University（香港理工大学电子与电气工程系）；College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与软件工程学院）；School of Automation and Intelligent Manufacturing, Southern University of Science and Technology（南方科技大学自动化与智能制造学院）；Academy of Artificial Intelligence, College of Mathematics Science, Inner Mongolia Normal University（内蒙古师范大学数学科学学院人工智能学院）；Key Laboratory of Collaborative Intelligence Systems, Ministry of Education, Xidian University（西安电子科技大学教育部协同智能系统重点实验室）
本文提出LLM-SAEA，通过大语言模型在线配置代理模型和填充采样准则，以专家协作框架提升代理辅助进化算法在昂贵优化中的效率，实验表明其优于现有先进算法。
2025-06-20 cs.AI cs.NE
A Novel Hybrid Algorithm for Optimized Solutions in Ocean Renewable Energy Industry: Enhancing Power Take-Off Parameters and Site Selection Procedure of Wave Energy Converters
本文提出爬山-探索性灰狼优化器（HC-EGWO），结合局部搜索与全局优化并动态控制探索开发速率，用于优化OSWEC的功率输出参数与选址，在南里海场景中实现最高3.31%的功率提升。
2023-09-19 cs.NE
An Evolving Cascade Neural Network Technique for Cleaning Sleep Electroencephalograms
描述了进化级联神经网络（ECNNs）和一种新的能够选择信息特征的训练算法。ECNN最初使用一个输入节点进行学习，然后通过添加新的输入和新的隐藏神经元来进化。所得到的ECNN具有接近最小数量的隐藏神经元和输入。该算法被成功地用于训练ECNN识别伪迹睡眠脑电图（EEG），这是视觉标记的EEG观众。在我们的实验中，ECNN优于标准神经网络以及进化技术。
2005-04-14 cs.AI cs.NE
Re-visiting Reservoir Computing architectures optimized by Evolutionary Algorithms
Faculty of Electrical Engineering and Computer Science（电气与计算机科学学院）；VŠB-Technical University of Ostrava（俄斯特拉发VŠB技术大学）；Department of Computer Science and Engineering（计算机科学与工程系）；Shobhit University（肖布希特大学）
多年来，进化算法（Evolutionary Algorithms，EA）一直被用于改进神经网络（Neural Networks，NN）结构。它们已被用于解决不同的问题，如训练网络（调整权重），设计网络拓扑结构，优化全局参数和选择特征。在这里，我们提供了一个系统的简要调查的应用程序的EA上的特定领域的经常性神经网络命名为储备池计算（RC）。在2000年代初，RC范式似乎是采用递归NN的一个很好的选择，而无需处理训练算法的不便之处。RC模型使用一个非线性动态系统，固定的递归神经网络称为\textit{reservoir}，学习过程被限制为调整一个线性参数函数。%，因此学习的性能是快速和精确的。然而，RC模型具有多个超参数，因此EA是找出最佳RC架构的有用工具。我们概述了该领域的研究成果，讨论了新的进展，并提出了我们对新趋势和未决问题的看法。
2022-11-11 cs.CV cs.LG cs.NE
Genetic algorithm implementation for effective document subject search
本文介绍了遗传算法的软件实现，用于识别和选择最相关的结果，在顺序执行的主题搜索操作。模拟的进化过程生成可持续的和有效的搜索查询群体，形成文档或语义核心的搜索模式，创建所需文档的相关集合，允许搜索结果的自动分类。本文讨论了主题搜索的特点，论证了采用遗传算法的合理性，描述了适应度函数的参数，并描述了算法的基本步骤和参数。
2015-04-16 cs.IR cs.NE
A Bandit Approach with Evolutionary Operators for Model Selection
EDF Lab（EDF实验室）；Univ. de Paris（巴黎大学）；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Inria Lille（里尔信息与自动化研究所）；Université de Lille（里尔大学）
该研究将模型选择建模为无限臂最优臂识别老虎机问题，提出融合进化算子与UCB-E算法的Mutant-UCB算法，在三个图像分类数据集上固定预算下性能优于现有最优方法。
2024-06-19 cs.AI cs.LG cs.NE
Theory of Estimation-of-Distribution Algorithms
分布估计算法（EDA）是用于优化的通用元算法，代表了经典方法（如进化算法）的最新替代方案。简而言之，EDA通常不直接进化搜索点的种群，而是通过从底层搜索空间重复采样和选择点来构建有希望的解决方案的概率模型。近年来，对EDA的理论认识取得了重大进展。本文提供了最常分析的EDA的最新概述以及该领域的最新理论结果。特别是，重点放在简单的单变量EDA的运行时分析，包括典型的基准函数和分析工具的描述。一路上，开放的问题和未来的研究方向进行了说明。
2018-06-14 cs.NE
An Evolutionary Correlation-aware Feature Selection Method for Classification Problems
Ferdowsi University of Mashhad（马什哈德菲尔多西大学）；Birjand University of Technology（比尔詹德理工大学）
基于种群的优化算法在特征选择问题中取得了令人满意的结果。然而，主要的挑战是高时间复杂度。此外，特征之间的相互作用是FS问题中的另一个重大挑战，直接影响分类性能。本文提出了一种分布估计算法，以满足三个目标。首先，作为EDA的扩展，所提出的方法在每次迭代中只生成两个个体，它们基于适应度函数进行竞争，并基于我们提出的更新过程在算法过程中进化。其次，我们提供了一个指导性的技术，以确定在每次迭代中的个人的功能的数量。因此，最终解决方案的选定特征的数量将在进化过程中得到优化。这两个优点可以提高算法的收敛速度。第三，作为本文的主要贡献，该方法除了单独考虑每个特征的重要性外，还可以考虑特征之间的相互作用。因此，它可以处理互补特征，从而提高分类性能。为此，我们提供了一个条件概率方案，该方案考虑了选择两个特征的联合概率分布。引入的概率成功地检测相关特征。在具有相关特征的合成数据集上的实验结果证明了我们所提出的方法面对这些类型的特征的性能。此外，从UCI数据库中获得的13个真实世界的数据集上的结果表明，与一些国家的最先进的方法相比，所提出的方法的优越性。
2021-10-16 cs.LG cs.NE
Evolutionary Architecture Search for Chlorophyll-$a$ Prediction in Lakes using Sentinel-2
Vilnius University（维尔纽斯大学）；IRISA（法国国家信息与自动化研究所雷恩分院（IRISA））；Universite Bretagne Sud（南布列塔尼大学）；European Commission Joint Research Center（欧盟委员会联合研究中心）
本研究通过正则化进化搜索多层感知机架构，在保持任务、特征和划分不变的前提下，将湖泊叶绿素-a预测的留出AUC从0.790提升至0.820，准确率从0.733提升至0.748，参数减少26倍，模型仅1.6kB，适合机载筛选。
2026-10-08 cs.LG cs.NE
A fuzzy adaptive evolutionary-based feature selection and machine learning framework for single and multi-objective body fat prediction
本文提出了一种融合模糊集理论和进化算法的特征选择与机器学习框架，用于提升身体脂肪预测的准确性与稳定性，同时解决多目标优化中的冲突问题。
2025-03-07 cs.LG cs.NE
A Multi-Transformation Evolutionary Framework for Influence Maximization in Social Networks
Xidian University（西安电子科技大学）
针对影响力最大化中变换选择困难的问题，提出多变换协同演化框架 MTEFIM，通过关系估计、自适应迁移和知识融合实现有收敛保证的竞争性能。
2022-11-02 cs.AI cs.NE cs.SI
A Stable Combinatorial Particle Swarm Optimization for Scalable Feature Selection in Gene Expression Data
演化计算（EC）算法，例如离散和多目标版本的粒子群优化（PSO），已经被应用于解决特征选择（FS）问题，以解决充满局部最小值的搜索空间的组合爆炸。此外，高维FS问题，如寻找一小组生物标志物进行诊断调用添加了额外的挑战，因为这种方法挑选出最重要特征的能力必须在增加维度和存在不相关特征的决策空间中保持不变。我们开发了一种组合PSO算法，称为COMB-PSO，它可以扩展到高维基因表达数据，同时仍然选择允许可靠分类样本的最小基因子集。COMB-PSO算法在编码方式、收敛速度、发散性和多样性控制等方面均优于传统的PSO算法，并在搜索空间的探索和利用方面取得了较好的平衡。将我们的方法应用于不同癌症的真实基因表达数据，COMB-PSO找到了最小尺寸的基因集，从而可以对潜在疾病类别进行可靠的分类。
2019-01-24 cs.NE
DECN: Evolution Inspired Deep Convolution Network for Black-box Optimization
Guangzhou Institute of Technology, Xidian University（西安电子科技大学广州学院）；School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院）
本文提出自动化进化算法概念，并设计深度进化卷积网络（DECN）实现无需人工干预的优化策略自动生成，在合成与真实任务中优于人工设计及元学习基线，且运行速度提升102倍。
2024-12-23 cs.AI cs.NE
An Aggressive Genetic Programming Approach for Searching Neural Network Structure Under Computational Constraints
最近，出现了对设计自动程序的重新兴趣（例如，使用遗传/进化算法）来优化用于特定任务的卷积神经网络（CNN）的结构。设计此类程序的挑战在于如何在网络结构的大搜索空间和高计算成本之间取得平衡。现有的工作要么对搜索空间施加很强的限制，要么使用巨大的计算资源。在本文中，我们研究如何设计一个遗传编程方法优化的CNN的结构，为一个给定的任务，在有限的计算资源，但没有强加强限制的搜索空间。为了减少计算成本，我们提出了两个一般性的策略，观察到是有帮助的：（i）积极选择最强的个体生存和繁殖，并在很小的年龄杀死较弱的个体;（ii）增加突变频率，以鼓励多样性和更快的进化。与其他优化技术相结合的策略，使我们能够探索一个大的搜索空间，但负担得起的计算成本。我们在标准基准数据集（MNIST，SVHN，CIFAR-10，CIFAR-100）上的结果与计算成本显著降低的类似方法相比具有竞争力。
2018-06-03 cs.NE
A parallel evolutionary algorithm to optimize dynamic memory managers in embedded systems
针对嵌入式系统动态内存管理器选择难、现有遗传编程优化方法计算耗时长的问题，提出基于SOA框架下DEVS形式化的并行进化算法，实现86.40倍加速比且DMM整体质量提升36.36%。
2024-06-28 cs.NE cs.OS
Memetic Viability Evolution for Constrained Optimization
当约束条件限制了搜索空间的可行区域时，进化算法的性能会受到严重损害。例如，虽然协方差矩阵自适应演化策略是无约束优化问题的最有效的算法之一，它不能很容易地应用于约束的。在这里，我们使用的概念，从模因计算，即多个单位的算法信息的和谐组合，和可行性进化，人工进化的另一种抽象，设计一种新的方法来解决不等式约束的优化问题。可行性演化强调消除不满足可行性标准的解决方案，定义为目标和约束的边界。这些边界在搜索过程中进行调整，以基于协方差矩阵自适应演化策略驱动局部搜索单元的种群朝向可行区域。这些单元可以通过差分进化算子进行重组。至关重要的性能，我们的方法，自适应调度器之间切换的剥削和探索，通过选择提前本地搜索单元和/或重组它们。所提出的算法可以优于几个国家的最先进的方法对不同的基准和工程问题，无论是解决方案的质量和所需的计算资源。
2018-10-05 cs.NE
A Novel Immune Algorithm for Multiparty Multiobjective Optimization
Guangdong Provincial Key Laboratory of Novel Security Intelligence Technologies（广东省新型安全智能技术重点实验室）；School of Computer Science and Technology, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）计算机科学与技术学院）；Peng Cheng Laboratory（鹏城实验室）；School of Artificial Intelligence, Nanjing University of Information Science and Technology（南京信息工程大学人工智能学院）；School of Computer Science and Engineering, Southern University of Science and Technology（南方科技大学计算机科学与工程系）
本文提出多方免疫算法（MPIA），通过引入基于不同决策者视角的非支配排序排名的跨方引导交叉策略和基于多方覆盖度量（MCM）的自适应激活策略，以解决多方多目标优化问题，实验表明其优于其他算法。
2026-03-29 cs.AI cs.NE
Fair Feature Subset Selection using Multiobjective Genetic Algorithm
North Dakota State University（北达科他州立大学）
特征子集选择问题旨在选择相关的特征子集，以提高训练数据上的机器学习（ML）算法的性能。数据中的一些特征可能是固有的噪声，计算成本高，不适当的缩放或与其他特征相关，并且它们可能对诱导算法的准确性，成本和复杂性产生不利影响。传统的特征选择方法的目标是去除这些不相关的特征。近年来，ML对我们日常生活的决策过程产生了显著的影响。我们希望确保这些决定不会反映出基于年龄、性别或种族等受保护属性对某些群体或个人的偏见行为。在本文中，我们提出了一个特征子集选择方法，提高了公平性和准确性的目标，并使用NSGA-II算法计算帕累托最优解。我们使用统计差异作为公平性度量，F1-Score作为模型性能的度量。我们在最常用的公平性基准数据集上使用三种不同的机器学习算法进行的实验表明，使用进化算法，我们可以有效地探索公平性和准确性之间的权衡。
2022-04-30 cs.CY cs.LG cs.NE
SFE: A Simple, Fast and Efficient Feature Selection Algorithm for High-Dimensional Data
Deakin University（迪肯大学）；Qatar University（卡塔尔大学）
本文提出了一种新的高维数据集特征选择算法SFE（Simple，Fast，and Efficient）。SFE算法使用搜索代理和两个操作符执行其搜索过程：非选择和选择。它包括两个阶段：勘探和开发。在探索阶段，非选择算子在整个问题搜索空间中对不相关的、冗余的、琐碎的和有噪声的特征进行全局搜索，并将特征的状态从选择模式改变为非选择模式。在开发阶段，选择算子在问题搜索空间中搜索对分类结果影响较大的特征，并将特征的状态从非选择模式改变为选择模式。所提出的SFE是成功的特征选择从高维数据集。然而，在降低数据集的维数之后，其性能不能显著提高。在这些情况下，可以使用进化计算方法在新的和减小的搜索空间中找到更有效的特征子集。为了克服这个问题，本文提出了一种混合算法，SFE-PSO（粒子群优化）找到一个最佳的特征子集。在40个高维数据集上比较了SFE和SFE-PSO在特征选择中的效率和有效性。他们的性能进行了比较，最近提出的六个特征选择算法。实验结果表明，这两种算法的性能明显优于其他算法，可以作为一种高效的高维特征选择算法.
2023-03-17 cs.AI cs.LG cs.NE
