論文の概要: Black Box Optimization Using QUBO and the Cross Entropy Method

• arxiv url: http://arxiv.org/abs/2206.12510v1
• Date: Fri, 24 Jun 2022 22:57:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-03 10:11:48.408099
• Title: Black Box Optimization Using QUBO and the Cross Entropy Method
• Title（参考訳）: quboとクロスエントロピー法を用いたブラックボックス最適化
• Authors: Jonas N\"u{\ss}lein, Christoph Roch, Thomas Gabor, Claudia Linnhoff-Popien, Sebastian Feld
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.091089276821716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Black box optimization (BBO) can be used to optimize functions whose analytic form is unknown. A common approach to realize BBO is to learn a surrogate model which approximates the target black box function which can then be solved via white box optimization methods. In this paper we present our approach BOX-QUBO, where the surrogate model is a QUBO matrix. However, unlike in previous state-of-the-art approaches, this matrix is not trained entirely by regression, but mostly by classification between 'good' and 'bad' solutions. This better accounts for the low capacity of the QUBO matrix, resulting in significantly better solutions overall. We tested our approach against the state-of-the-art on four domains and in all of them BOX-QUBO showed significantly better results. A second contribution of this paper is the idea to also solve white box problems, i.e. problems which could be directly formulated as QUBO, by means of black box optimization in order to reduce the size of the QUBOs to their information-theoretic minimum. The experiments show that this significantly improves the results for MAX-$k$-SAT.
• Abstract（参考訳）: black box optimization (bbo) は解析形式が不明な関数を最適化するために用いられる。 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したサロゲートモデルを学習し、ホワイトボックス最適化法によって解けることである。 本稿では,サロゲートモデルがqubo行列であるbox-quboのアプローチについて述べる。 しかし、以前の最先端のアプローチとは異なり、この行列は完全に回帰によって訓練されるのではなく、主に「良い」解と「悪い」解の分類によって訓練される。 これによりQUBO行列の低容量化が図られ、結果として全体の解が大幅に改善される。 BOX-QUBOでは,4つの領域で最先端技術に対するアプローチを検証した。 2つめの貢献は、ホワイトボックス問題(すなわち、ブラックボックス最適化によって直接quboとして定式化できる問題)も解決し、qubosのサイズを情報理論上の最小値に縮小するという考えである。 実験の結果,MAX-$k$-SATの結果は大幅に改善された。

関連論文リスト

• Sharpness-Aware Black-Box Optimization [47.95184866255126]
  シャープネスを考慮したブラックボックス最適化(SABO)アルゴリズムを提案する。 実験により, モデル一般化性能向上のためのSABO法の有効性が実証された。
  論文  参考訳（メタデータ） (2024-10-16T11:08:06Z)
• Efficient Black-box Adversarial Attacks via Bayesian Optimization Guided by a Function Prior [36.101904669291436]
  本稿では,入力クエリの出力フィードバックのみを用いて,ブラックボックスモデルに対するサンプル生成を目的としたブラックボックス逆攻撃について検討する。 ブラックボックス攻撃前の大域関数として代理モデルを利用する事前誘導ベイズ最適化(P-BO)アルゴリズムを提案する。 後悔境界に関する理論的解析は、P-BOの性能が悪影響を受けていることを示唆している。
  論文  参考訳（メタデータ） (2024-05-29T14:05:16Z)
• Reinforced In-Context Black-Box Optimization [64.25546325063272]
  RIBBOは、オフラインデータからエンドツーエンドでBBOアルゴリズムを強化学習する手法である。 RIBBOは、複数の動作アルゴリズムとタスクによって生成される最適化履歴を学習するために、表現的なシーケンスモデルを使用している。 提案手法の中心となるのは,テキストレグレット・ツー・ゴートークンによる最適化履歴の増大である。
  論文  参考訳（メタデータ） (2024-02-27T11:32:14Z)
• Polynomial-Model-Based Optimization for Blackbox Objectives [0.0]
  ブラックボックス最適化は、事前定義された目的関数が最小化されるようなシステムに対して最適なパラメータを求める。 PMBOは目的関数にサロゲートを合わせることで最小値を求める新しいブラックボックスである。 PMBOは、与えられた人工的解析関数のセットに対して、他の最先端のアルゴリズムとベンチマークされる。
  論文  参考訳（メタデータ） (2023-09-01T14:11:03Z)
• Predictive Modeling through Hyper-Bayesian Optimization [60.586813904500595]
  本稿では,モデル選択とBOを統合する新しい手法を提案する。 このアルゴリズムは、モデル空間のBOと関数空間のBOの間を行き来する。 サンプル効率の改善に加えて、ブラックボックス機能に関する情報も出力する。
  論文  参考訳（メタデータ） (2023-08-01T04:46:58Z)
• How to Robustify Black-Box ML Models? A Zeroth-Order Optimization Perspective [74.47093382436823]
  入力クエリと出力フィードバックだけでブラックボックスモデルを堅牢化する方法? 我々は,ブラックボックスモデルに適用可能な防御操作の一般的な概念を提案し,それを復号化スムーシング(DS)のレンズを通して設計する。 我々は,ZO-AE-DSが既存のベースラインよりも精度,堅牢性,クエリの複雑さを向上できることを実証的に示す。
  論文  参考訳（メタデータ） (2022-03-27T03:23:32Z)
• Black-Box Optimization via Generative Adversarial Nets [6.46243851154653]
  我々は,ブラックボックス問題に対する探索をガイドするために,退化逆数ネット(OPT-GAN)を提案する。 OPT-GANは他の古典的BBOアルゴリズムよりも優れていることを示す実験がある。
  論文  参考訳（メタデータ） (2021-02-07T19:12:09Z)
• Black-Box Optimization Revisited: Improving Algorithm Selection Wizards through Massive Benchmarking [8.874754363200614]
  機械学習のためのブラックボックス最適化の既存の研究は、低い一般化性に悩まされている。 そこで我々は,ブラックボックス最適化の幅広い問題を網羅するベンチマークスイートOptimSuiteを提案する。 ABBOは全てのベンチマークスイートで競合性能を達成する。
  論文  参考訳（メタデータ） (2020-10-08T14:17:30Z)
• 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)

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。