論文の概要: LAMBDA: Covering the Solution Set of Black-Box Inequality by Search Space Quantization

• arxiv url: http://arxiv.org/abs/2203.13708v1
• Date: Fri, 25 Mar 2022 15:24:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-28 12:35:13.430408
• Title: LAMBDA: Covering the Solution Set of Black-Box Inequality by Search Space Quantization
• Title（参考訳）: LAMBDA:検索空間量子化によるブラックボックス不平等の解集合をカバーする
• Authors: Lihao Liu, Tianyue Feng, Xingyu Xing, Junyi Chen
• Abstract要約: ブラックボックス関数は、入力と出力以外の明示的な情報を提供しない複雑な問題をモデル化するために広く使用される。 ブラックボックス対象関数に対する限られた評価によって設定されたソリューションを可能な限りカバーすることは、ブラックボックス被覆(BBC)問題として定義される。
• 参考スコア（独自算出の注目度）: 1.345821655503426
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Black-box functions are broadly used to model complex problems that provide no explicit information but the input and output. Despite existing studies of black-box function optimization, the solution set satisfying an inequality with a black-box function plays a more significant role than only one optimum in many practical situations. Covering as much as possible of the solution set through limited evaluations to the black-box objective function is defined as the Black-Box Coverage (BBC) problem in this paper. We formalized this problem in a sample-based search paradigm and constructed a coverage criterion with Confusion Matrix Analysis. Further, we propose LAMBDA (Latent-Action Monte-Carlo Beam Search with Density Adaption) to solve BBC problems. LAMBDA can focus around the solution set quickly by recursively partitioning the search space into accepted and rejected sub-spaces. Compared with La-MCTS, LAMBDA introduces density information to overcome the sampling bias of optimization and obtain more exploration. Benchmarking shows, LAMBDA achieved state-of-the-art performance among all baselines and was at most 33x faster to get 95% coverage than Random Search. Experiments also demonstrate that LAMBDA has a promising future in the verification of autonomous systems in virtual tests.
• Abstract（参考訳）: ブラックボックス関数は、明示的な情報しか提供しない複雑な問題をモデル化するために広く使われている。 ブラックボックス関数の最適化に関する既存の研究にもかかわらず、ブラックボックス関数の不等式を満たす解集合は、多くの実用的な状況において1つだけより重要な役割を果たす。 ブラックボックスの目的関数に対する限定的な評価を通じて可能な限り解集合を被覆することは、本論文のブラックボックスカバレッジ(bbc)問題として定義される。 この問題をサンプルベースの検索パラダイムで定式化し,混乱行列解析を用いたカバレッジ基準を構築した。 さらに, LAMBDA (Latent-Action Monte-Carlo Beam Search with Density Adaption) を提案する。 LAMBDAは、検索空間を受理されたサブ空間に再帰的に分割することで、素早く設定されたソリューションに焦点を合わせることができる。 la-mctsと比較すると、lambdaは最適化のサンプリングバイアスを克服し、さらなる探索を得るために密度情報を導入する。 ベンチマークの結果、LAMBDAはすべてのベースラインで最先端のパフォーマンスを達成し、Random Searchの95%のカバレッジを得るには少なくとも33倍高速だった。 また、LAMBDAは仮想テストにおける自律システムの検証において有望な未来を持っていることを示す実験もある。

関連論文リスト

• Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
  本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。 赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2024-06-21T05:57:08Z)
• Covariance-Adaptive Sequential Black-box Optimization for Diffusion Targeted Generation [60.41803046775034]
  ユーザのブラックボックス目標スコアのみを用いた拡散モデルを用いて,ユーザ優先のターゲット生成を行う方法を示す。 数値実験問題と目標誘導型3次元分子生成タスクの両方の実験により,より優れた目標値を得る上で,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2024-06-02T17:26:27Z)
• Survival of the Most Influential Prompts: Efficient Black-Box Prompt Search via Clustering and Pruning [77.61565726647784]
  本稿では,まず検索空間をクラスタ化してプルークするブラックボックス探索手法を提案する。 検索空間設計と最適化は,ブラックボックス・プロンプトに基づく学習の有用性と効率性を両立させる上で重要な役割を担っている。
  論文  参考訳（メタデータ） (2023-10-19T14:25:06Z)
• Black Box Optimization Using QUBO and the Cross Entropy Method [11.091089276821716]
  ブラックボックス最適化は、解析形式が不明な関数の最適化に使用できる。 BBOを実現するための一般的なアプローチは、ターゲットのブラックボックス関数を近似する代理モデルを学ぶことである。 本稿では,代理モデルがQUBO行列であるBOX-QUBOを提案する。
  論文  参考訳（メタデータ） (2022-06-24T22:57:24Z)
• Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
  非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。 本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
  論文  参考訳（メタデータ） (2022-01-28T05:53:28Z)
• Output Space Entropy Search Framework for Multi-Objective Bayesian Optimization [32.856318660282255]
  高価な関数評価(実験とも呼ばれる)を用いたブラックボックス多目的最適化(MOO) 出力空間エントロピー(OSE)探索の原理に基づいてMOO問題を解決するための一般的なフレームワークを提案する。 我々のOSE検索に基づくアルゴリズムは、MOOソリューションの計算効率と精度の両方の観点から最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2021-10-13T18:43:39Z)
• Adaptive Local Bayesian Optimization Over Multiple Discrete Variables [9.860437640748113]
  本稿では,チームKAIST OSIのアプローチをステップワイズで記述し,ベースラインアルゴリズムを最大20.39%向上させる。 同様の方法では,ベイジアンとマルチアームドバンディット(mab)の手法を組み合わせ,変数型を考慮した値選択を行う。 経験的評価により,提案手法は既存の手法を異なるタスクにまたがる性能を示す。
  論文  参考訳（メタデータ） (2020-12-07T07:51:23Z)
• Projection & Probability-Driven Black-Box Attack [205.9923346080908]
  既存のブラックボックス攻撃は、高次元空間における過剰なクエリを必要とする。 本稿では,この問題を解決するために,プロジェクション&確率駆動型ブラックボックス攻撃(PPBA)を提案する。 我々の手法は、最先端の手法に比べて攻撃成功率の高いクエリを少なくとも24%削減する必要がある。
  論文  参考訳（メタデータ） (2020-05-08T03:37:50Z)
• Stepwise Model Selection for Sequence Prediction via Deep Kernel Learning [100.83444258562263]
  本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。 結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。 我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
  論文  参考訳（メタデータ） (2020-01-12T09:42:19Z)
• DEFT-FUNNEL: an open-source global optimization solver for constrained grey-box and black-box problems [0.0]
  DEFT-FUNNELは、一般的な制約付きグレーボックス問題とブラックボックス問題に対する、オープンソースのグローバル最適化アルゴリズムである。 実験に使用するテストセットのコードもGithubリポジトリから入手可能だ。
  論文  参考訳（メタデータ） (2019-12-29T11:43:53Z)

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。