論文の概要: Black-box optimization for integer-variable problems using Ising
machines and factorization machines
- arxiv url: http://arxiv.org/abs/2209.01016v1
- Date: Thu, 1 Sep 2022 09:16:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-05 13:04:02.180541
- Title: Black-box optimization for integer-variable problems using Ising
machines and factorization machines
- Title（参考訳）: イジングマシンと分解マシンを用いた整数変数問題に対するブラックボックス最適化
- Authors: Yuya Seki, Ryo Tamura, Shu Tanaka
- Abstract要約: そこで本研究では,Ising/annealingマシンとFacterizationマシンを用いた整数可変ブラックボックス最適化問題に対するアプローチを提案する。
提案手法は,任意の整数符号化手法を用いてエネルギーを計算することができる。
- 参考スコア（独自算出の注目度）: 0.8057006406834467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Black-box optimization has potential in numerous applications such as
hyperparameter optimization in machine learning and optimization in design of
experiments. Ising machines are useful for binary optimization problems because
variables can be represented by a single binary variable of Ising machines.
However, conventional approaches using an Ising machine cannot handle black-box
optimization problems with non-binary values. To overcome this limitation, we
propose an approach for integer-variable black-box optimization problems by
using Ising/annealing machines and factorization machines in cooperation with
three different integer-encoding methods. The performance of our approach is
numerically evaluated with different encoding methods using a simple problem of
calculating the energy of the hydrogen molecule in the most stable state. The
proposed approach can calculate the energy using any of the integer-encoding
methods. However, one-hot encoding is useful for problems with a small size.
- Abstract（参考訳）: ブラックボックス最適化は、機械学習におけるハイパーパラメータ最適化や実験の設計における最適化など、多くのアプリケーションで潜在的なものである。
イジングマシンは、変数をイジングマシンの1つのバイナリ変数で表現できるため、バイナリ最適化問題に有用である。
しかしながら、イジングマシンを用いた従来のアプローチでは、非バイナリ値のブラックボックス最適化問題には対処できない。
この制限を克服するために,Ising/annealing マシンと factorization マシンを3つの異なる整数エンコーディング手法と連携させて,整数可変ブラックボックス最適化問題の解法を提案する。
本手法の性能は,水素分子のエネルギーを最も安定な状態で計算する簡単な問題を用いて,異なる符号化法を用いて数値評価を行った。
提案手法は任意の整数エンコーディング法を用いてエネルギーを計算することができる。
しかし、1-hotエンコーディングは小さいサイズの問題に有用である。
関連論文リスト
- Asymmetric Scalable Cross-modal Hashing [51.309905690367835]
クロスモーダルハッシュは、大規模なマルチメディア検索問題を解決する方法として成功している。
これらの問題に対処する新しい非対称スケーラブルクロスモーダルハッシュ(ASCMH)を提案する。
我々のASCMHは、最先端のクロスモーダルハッシュ法よりも精度と効率の点で優れています。
論文 参考訳（メタデータ） (2022-07-26T04:38:47Z) - Penalty Weights in QUBO Formulations: Permutation Problems [0.0]
量子コンピュータで動くよう設計された最適化アルゴリズムは 近年 研究の関心を集めています
これらの解法の多くは、二項形式と二項形式の問題を最適化することしかできない。
多くの最適化問題があり、自然に置換として表される。
より有望な結果をもたらすペナルティ重みを計算するための新しい静的手法を提案する。
論文 参考訳（メタデータ） (2022-06-20T22:00:38Z) - Optimizing Large-Scale Hyperparameters via Automated Learning Algorithm [97.66038345864095]
ゼロ階超勾配(HOZOG)を用いた新しいハイパーパラメータ最適化法を提案する。
具体的には、A型制約最適化問題として、まずハイパーパラメータ最適化を定式化する。
次に、平均ゼロ階超勾配を用いてハイパーパラメータを更新する。
論文 参考訳（メタデータ） (2021-02-17T21:03:05Z) - 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) - Divide and Learn: A Divide and Conquer Approach for Predict+Optimize [50.03608569227359]
予測+最適化問題は、予測係数を使用する最適化プロブレムと、確率係数の機械学習を組み合わせる。
本稿では, 予測係数を1次線形関数として, 最適化問題の損失を直接表現する方法を示す。
本稿では,この制約を伴わずに最適化問題に対処し,最適化損失を用いてその係数を予測する新しい分割アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-12-04T00:26:56Z) - New Oracle-Efficient Algorithms for Private Synthetic Data Release [52.33506193761153]
微分プライベートな合成データを構築するための3つの新しいアルゴリズムを提案する。
アルゴリズムは最悪の場合でも差分プライバシーを満たす。
現状の手法である高次元行列機構 citeMcKennaMHM18 と比較すると,我々のアルゴリズムは大規模作業負荷の精度が向上する。
論文 参考訳（メタデータ） (2020-07-10T15:46:05Z) - Kernel methods through the roof: handling billions of points efficiently [94.31450736250918]
カーネル法は、非パラメトリック学習に対するエレガントで原則化されたアプローチを提供するが、今のところ大規模な問題ではほとんど利用できない。
最近の進歩は、最適化、数値線形代数、ランダム射影など、多くのアルゴリズム的アイデアの利点を示している。
ここでは、これらの取り組みをさらに進めて、GPUハードウェアを最大限に活用する解決器を開発し、テストする。
論文 参考訳（メタデータ） (2020-06-18T08:16:25Z) - Black-box Mixed-Variable Optimisation using a Surrogate Model that
Satisfies Integer Constraints [9.655888042539495]
Mixed-Variable ReLU-based Surrogate Modelling (MVRSM) は、修正線形ユニットの線形結合を利用するサロゲートベースのアルゴリズムである。
この方法は、最大238個の連続変数と整数変数を持ついくつかの合成ベンチマークにおいて、最先端の手法である。
論文 参考訳（メタデータ） (2020-06-08T12:27:18Z) - Discovering Representations for Black-box Optimization [73.59962178534361]
ブラックボックス最適化符号化は手作業で行うのではなく,自動的に学習可能であることを示す。
学習された表現は、標準的なMAP-Elitesよりも桁違いに少ない評価で高次元の問題を解くことができることを示す。
論文 参考訳（メタデータ） (2020-03-09T20:06:20Z)
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。