Bias and variance in continuous EDA

Fabien Teytaud 1, 2, 3 Olivier Teytaud 2, 3
1 TANC - Algorithmic number theory for cryptology
LIX - Laboratoire d'informatique de l'École polytechnique [Palaiseau], Inria Saclay - Ile de France, X - École polytechnique, CNRS - Centre National de la Recherche Scientifique : UMR7161
3 TAO - Machine Learning and Optimisation
LRI - Laboratoire de Recherche en Informatique, UP11 - Université Paris-Sud - Paris 11, Inria Saclay - Ile de France, CNRS - Centre National de la Recherche Scientifique : UMR8623
Abstract : Estimation of Distribution Algorithms are based on statistical estimates. We show that when combining classical tools from statistics, namely bias/variance decomposition, reweighting and quasi-randomization, we can strongly improve the convergence rate. All modifications are easy, compliant with most algorithms, and experimentally very efficient in particular in the parallel case (large offsprings).
Type de document :
Communication dans un congrès
EA 09, Oct 2009, Strasbourg, France. 2009
Liste complète des métadonnées

Littérature citée [14 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/inria-00451416
Contributeur : Fabien Teytaud <>
Soumis le : vendredi 29 janvier 2010 - 09:22:26
Dernière modification le : jeudi 10 mai 2018 - 02:06:30
Document(s) archivé(s) le : jeudi 30 juin 2011 - 11:24:09

Fichier

decsigma.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : inria-00451416, version 1

Collections

Citation

Fabien Teytaud, Olivier Teytaud. Bias and variance in continuous EDA. EA 09, Oct 2009, Strasbourg, France. 2009. 〈inria-00451416〉

Partager

Métriques

Consultations de la notice

227

Téléchargements de fichiers

285