論文の概要: Visualization and Optimization Techniques for High Dimensional Parameter
Spaces
- arxiv url: http://arxiv.org/abs/2204.13812v1
- Date: Thu, 28 Apr 2022 23:01:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-03 04:57:26.434713
- Title: Visualization and Optimization Techniques for High Dimensional Parameter
Spaces
- Title（参考訳）: 高次元パラメータ空間の可視化と最適化技術
- Authors: Anjul Tyagi
- Abstract要約: 本稿では,直接最適化手法と視覚分析研究を組み合わせた,ストレージシステムの最適化のための自動チューニングフレームワークを提案する。
本システムは,システムパフォーマンス研究者グループとの緊密なコラボレーションによって開発され,専門家インタビュー,比較ユーザスタディ,および2つのケーススタディによって最終効果が評価された。
- 参考スコア（独自算出の注目度）: 4.111899441919165
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High dimensional parameter space optimization is crucial in many
applications. The parameters affecting this performance can be both numerical
and categorical in their type. The existing techniques of black-box
optimization and visual analytics are good in dealing with numerical parameters
but analyzing categorical variables in context of the numerical variables are
not well studied. Hence, we propose a novel approach, to create an auto-tuning
framework for storage systems optimization combining both direct optimization
techniques and visual analytics research. While the optimization algorithm will
be the core of the system, visual analytics will provide a guideline with the
help of an external agent (expert) to provide crucial hints to narrow down the
large search space for the optimization engine. As part of the initial step
towards creating an auto-tuning engine for storage systems optimization, we
created an Interactive Configuration Explorer \textit{ICE}, which directly
addresses the need of analysts to learn how the dependent numerical variable is
affected by the parameter settings given multiple optimization objectives. No
information is lost as ICE shows the complete distribution and statistics of
the dependent variable in context with each categorical variable. Analysts can
interactively filter the variables to optimize for certain goals such as
achieving a system with maximum performance, low variance, etc. Our system was
developed in tight collaboration with a group of systems performance
researchers and its final effectiveness was evaluated with expert interviews, a
comparative user study, and two case studies. We also discuss our research plan
for creating an efficient auto-tuning framework combining black-box
optimization and visual analytics for storage systems performance optimization.
- Abstract（参考訳）: 高次元パラメータ空間最適化は多くの応用において不可欠である。
この性能に影響するパラメータは、その型において数値的かつ分類的である。
既存のブラックボックス最適化とビジュアル解析の手法は数値パラメータを扱うのに優れているが、数値変数の文脈におけるカテゴリー変数の分析はよく研究されていない。
そこで本研究では,直接最適化手法と視覚分析研究を組み合わせた,ストレージシステムの最適化のための自動チューニングフレームワークを提案する。
最適化アルゴリズムがシステムのコアとなる一方で、視覚分析は外部エージェント(専門家)の助けを借りて、最適化エンジンの巨大な検索スペースを狭めるための重要なヒントを提供する。
ストレージシステムの最適化のための自動チューニングエンジンを開発する最初のステップの一環として、複数の最適化目標が与えられたパラメータ設定によって、依存する数値変数がどのように影響を受けるかを学ぶためのアナリストのニーズに直接対処する、インタラクティブな構成エクスプローラ \textit{ice}を作成しました。
ICEは各カテゴリ変数のコンテキストにおける依存変数の完全な分布と統計を示すので、情報を失うことはない。
アナリストは対話的に変数をフィルタして、最大パフォーマンス、低分散などのある目標のために最適化することができる。
本システムは,システムパフォーマンス研究者グループと緊密に連携して開発され,その最終効果をエキスパートインタビュー,比較ユーザ調査,2つのケーススタディで評価した。
また,ブラックボックス最適化とストレージシステム性能最適化のためのビジュアル分析を組み合わせた効率的な自動チューニングフレームワークを構築するための研究計画についても論じる。
関連論文リスト
- Adaptive Preference Scaling for Reinforcement Learning with Human Feedback [103.36048042664768]
人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の価値を合わせるための一般的なアプローチである。
本稿では,分散ロバスト最適化(DRO)に基づく適応的優先損失を提案する。
提案手法は多用途であり,様々な選好最適化フレームワークに容易に適用可能である。
論文 参考訳（メタデータ） (2024-06-04T20:33:22Z) - Unleashing the Potential of Large Language Models as Prompt Optimizers: An Analogical Analysis with Gradient-based Model Optimizers [108.72225067368592]
本稿では,大規模言語モデル(LLM)に基づくプロンプトの設計について検討する。
モデルパラメータ学習における2つの重要な要素を同定する。
特に、勾配に基づく最適化から理論的な枠組みや学習手法を借用し、改良された戦略を設計する。
論文 参考訳（メタデータ） (2024-02-27T15:05:32Z) - End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳（メタデータ） (2024-02-12T16:33:35Z) - CURE: Simulation-Augmented Auto-Tuning in Robotics [15.943773140929856]
本稿では、因果的な設定オプションを識別するCUREを提案する。
CUREは、様々な構成オプションとロボットのパフォーマンス目標との間の因果関係を抽象化する。
物理ロボットとシミュレーションの両方で実験を行うことにより,CUREの有効性と伝達性を示す。
論文 参考訳（メタデータ） (2024-02-08T04:27:14Z) - A Survey on Multi-Objective based Parameter Optimization for Deep
Learning [1.3223682837381137]
深層ニューラルネットワークを用いたパラメータ最適化における多目的最適化手法の有効性について検討する。
これら2つの手法を組み合わせて、複数のアプリケーションにおける予測と分析の生成に関する貴重な洞察を提供する。
論文 参考訳（メタデータ） (2023-05-17T07:48:54Z) - Agent-based Collaborative Random Search for Hyper-parameter Tuning and
Global Function Optimization [0.0]
本稿では,機械学習モデルにおける任意のハイパーパラメータの任意の集合に対する近似値を求めるためのエージェントベース協調手法を提案する。
提案モデルの動作,特に設計パラメータの変化に対して,機械学習およびグローバル関数最適化アプリケーションの両方で検討する。
論文 参考訳（メタデータ） (2023-03-03T21:10:17Z) - Scalable Bayesian optimization with high-dimensional outputs using
randomized prior networks [3.0468934705223774]
本稿では,確率化された先行するニューラルネットワークの自己ストラップ型アンサンブルに基づくBOとシーケンシャル意思決定のためのディープラーニングフレームワークを提案する。
提案手法は,高次元ベクトル空間や無限次元関数空間の値を取る場合においても,設計変数と関心量の関数的関係を近似することができることを示す。
提案手法をBOの最先端手法に対して検証し,高次元出力の課題に対して優れた性能を示す。
論文 参考訳（メタデータ） (2023-02-14T18:55:21Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳（メタデータ） (2023-01-28T01:50:42Z) - Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。
基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。
我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
論文 参考訳（メタデータ） (2022-09-27T17:51:31Z) - Variable Functioning and Its Application to Large Scale Steel Frame
Design Optimization [15.86197261674868]
変数関数Fxと呼ばれる概念に基づく手法を導入し、最適化変数を減らし、探索空間を狭める。
問題構造解析技術と工学的知識を用いることで、鋼枠設計最適化プロセスを強化するために$Fx$法が用いられる。
論文 参考訳（メタデータ） (2022-05-15T12:43:25Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳（メタデータ） (2020-10-15T18:09:48Z)
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。