論文の概要: An adaptive stochastic gradient-free approach for high-dimensional
blackbox optimization
- arxiv url: http://arxiv.org/abs/2006.10887v2
- Date: Sat, 15 Jan 2022 19:24:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 14:25:44.334391
- Title: An adaptive stochastic gradient-free approach for high-dimensional
blackbox optimization
- Title（参考訳）: 高次元ブラックボックス最適化のための適応確率勾配自由アプローチ
- Authors: Anton Dereventsov, Clayton G. Webster, Joseph D. Daws Jr
- Abstract要約: 本研究では,高次元非平滑化問題に対する適応勾配フリー (ASGF) アプローチを提案する。
本稿では,グローバルな問題と学習タスクのベンチマークにおいて,本手法の性能について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we propose a novel adaptive stochastic gradient-free (ASGF)
approach for solving high-dimensional nonconvex optimization problems based on
function evaluations. We employ a directional Gaussian smoothing of the target
function that generates a surrogate of the gradient and assists in avoiding bad
local optima by utilizing nonlocal information of the loss landscape. Applying
a deterministic quadrature scheme results in a massively scalable technique
that is sample-efficient and achieves spectral accuracy. At each step we
randomly generate the search directions while primarily following the surrogate
of the smoothed gradient. This enables exploitation of the gradient direction
while maintaining sufficient space exploration, and accelerates convergence
towards the global extrema. In addition, we make use of a local approximation
of the Lipschitz constant in order to adaptively adjust the values of all
hyperparameters, thus removing the careful fine-tuning of current algorithms
that is often necessary to be successful when applied to a large class of
learning tasks. As such, the ASGF strategy offers significant improvements when
solving high-dimensional nonconvex optimization problems when compared to other
gradient-free methods (including the so called "evolutionary strategies") as
well as iterative approaches that rely on the gradient information of the
objective function. We illustrate the improved performance of this method by
providing several comparative numerical studies on benchmark global
optimization problems and reinforcement learning tasks.
- Abstract（参考訳）: 本研究では,関数評価に基づく高次元非凸最適化問題に対する適応確率勾配(ASGF)手法を提案する。
勾配のサロゲートを生成する対象関数の方向ガウス平滑化を行い,損失景観の非局所情報を利用することで,局所視能の悪さを回避する。
決定論的二次スキームを適用すると、サンプル効率が高く、スペクトル精度を達成できる非常にスケーラブルな技術が得られる。
各ステップでは、主に滑らかな勾配のサロゲートに従って、ランダムに探索方向を生成します。
これにより、十分な空間探索を維持しながら勾配方向の活用が可能となり、グローバルな極端への収束を加速する。
さらに、全てのハイパーパラメータの値を適応的に調整するために、Lipschitz定数の局所近似を用いて、大規模な学習タスクに適用する場合にしばしば必要とされる現在のアルゴリズムの注意深い微調整を除去する。
したがって、ASGF戦略は、他の勾配のない方法(いわゆる「進化的戦略」を含む)と比較して高次元非凸最適化問題の解法において大きな改善をもたらすとともに、目的関数の勾配情報に依存する反復的アプローチも提供する。
本稿では, ベンチマークグローバル最適化問題と強化学習タスクに関する比較数値研究を行い, 本手法の性能改善について述べる。
関連論文リスト
- Gradient-Variation Online Learning under Generalized Smoothness [56.38427425920781]
勾配変分オンライン学習は、オンライン関数の勾配の変化とともにスケールする後悔の保証を達成することを目的としている。
ニューラルネットワーク最適化における最近の取り組みは、一般化された滑らかさ条件を示唆し、滑らかさは勾配ノルムと相関する。
ゲームにおける高速収束と拡張逆最適化への応用について述べる。
論文 参考訳（メタデータ） (2024-08-17T02:22:08Z) - Using Stochastic Gradient Descent to Smooth Nonconvex Functions: Analysis of Implicit Graduated Optimization [0.6906005491572401]
バッチ降下勾配 (SGD) における雑音は, 目的関数の平滑化の効果を示す。
我々は,学習率とバッチサイズによってスムース化の度合いが変化する新しい累積最適化アルゴリズムを解析する。
論文 参考訳（メタデータ） (2023-11-15T07:27:40Z) - ProGO: Probabilistic Global Optimizer [9.772380490791635]
本稿では,いくつかの温和な条件下でのグローバルオプティマに収束するアルゴリズムを開発する。
提案アルゴリズムは,従来の最先端手法よりも桁違いに優れていることを示す。
論文 参考訳（メタデータ） (2023-10-04T22:23:40Z) - Efficient Gradient Approximation Method for Constrained Bilevel
Optimization [2.0305676256390934]
大規模高次元データを用いたバイレベル最適化が開発されている。
本稿では凸と微分不可能な近似を伴う制約付き二値問題について考察する。
論文 参考訳（メタデータ） (2023-02-03T19:34:56Z) - A Particle-based Sparse Gaussian Process Optimizer [5.672919245950197]
本稿では,下降の動的過程を利用した新しいスワム・スワムベースのフレームワークを提案する。
このアプローチの最大の利点は、降下を決定する前に現在の状態についてより深い探索を行うことである。
論文 参考訳（メタデータ） (2022-11-26T09:06:15Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - SUPER-ADAM: Faster and Universal Framework of Adaptive Gradients [99.13839450032408]
一般的な問題を解決するための適応アルゴリズムのための普遍的な枠組みを設計することが望まれる。
特に,本フレームワークは,非収束的設定支援の下で適応的手法を提供する。
論文 参考訳（メタデータ） (2021-06-15T15:16:28Z) - Zeroth-Order Hybrid Gradient Descent: Towards A Principled Black-Box
Optimization Framework [100.36569795440889]
この作業は、一階情報を必要としない零次最適化(ZO)の反復である。
座標重要度サンプリングにおける優雅な設計により,ZO最適化法は複雑度と関数クエリコストの両面において効率的であることを示す。
論文 参考訳（メタデータ） (2020-12-21T17:29:58Z) - Towards Better Understanding of Adaptive Gradient Algorithms in
Generative Adversarial Nets [71.05306664267832]
適応アルゴリズムは勾配の歴史を用いて勾配を更新し、深層ニューラルネットワークのトレーニングにおいてユビキタスである。
本稿では,非コンケーブ最小値問題に対するOptimisticOAアルゴリズムの変種を解析する。
実験の結果,適応型GAN非適応勾配アルゴリズムは経験的に観測可能であることがわかった。
論文 参考訳（メタデータ） (2019-12-26T22:10:10Z) - On the Convergence of Adaptive Gradient Methods for Nonconvex Optimization [80.03647903934723]
我々は、勾配収束法を期待する適応勾配法を証明した。
解析では、非理解勾配境界の最適化において、より適応的な勾配法に光を当てた。
論文 参考訳（メタデータ） (2018-08-16T20:25:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。