論文の概要: Nested Search versus Limited Discrepancy Search

• arxiv url: http://arxiv.org/abs/2210.00216v1
• Date: Sat, 1 Oct 2022 07:57:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 15:17:00.812630
• Title: Nested Search versus Limited Discrepancy Search
• Title（参考訳）: ネスト検索と限定的不一致検索
• Authors: Tristan Cazenave
• Abstract要約: Nested Search (NS) は、同じ状態空間を検索する別のアルゴリズムである。 NSは最高のプレーアウトに関連する移動により多くの時間を費やす一方、LSDは最高の行動により多くの時間を費やす。 本論文では,LSD の場合よりも,NS の場合のように最高のプレーアウトに従う方がよい場合が多いことを主張する。
• 参考スコア（独自算出の注目度）: 4.38602607138044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Limited Discrepancy Search (LDS) is a popular algorithm to search a state space with a heuristic to order the possible actions. Nested Search (NS) is another algorithm to search a state space with the same heuristic. NS spends more time on the move associated to the best heuristic playout while LDS spends more time on the best heuristic move. They both use similar times for the same level of search. We advocate in this paper that it is often better to follow the best heuristic playout as in NS than to follow the heuristic as in LDS.
• Abstract（参考訳）: Limited Discrepancy Search (LDS) は、状態空間をヒューリスティックで探索し、可能なアクションを順序付けする一般的なアルゴリズムである。 nested search (ns) は、同じヒューリスティックな状態空間を探索する別のアルゴリズムである。 LDSは最高のヒューリスティックな動きにより多くの時間を費やす一方、NSは最高のヒューリスティックな動きにより多くの時間を費やす。 どちらも同じレベルの検索に同じ時間を使っている。 この論文では、ldsのようにヒューリスティックに従うよりも、nsのように最高のヒューリスティックなプレーアウトに従う方が良いと論じている。

関連論文リスト

• Operational Advice for Dense and Sparse Retrievers: HNSW, Flat, or Inverted Indexes? [62.57689536630933]
  本稿では,オープンソースのLucene検索ライブラリを用いたBEIRデータセットの実験結果について述べる。 本研究は,高密度かつ疎密なレトリバーの設計空間を理解するための,今日の検索実践者へのガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-09-10T12:46:23Z)
• Rectangle Search: An Anytime Beam Search (Extended Version) [9.59799149404787]
  任意の検索アルゴリズムは、(潜在的に最適でない)解をできるだけ早く見つけようとする。 本稿では,ビーム探索に基づく新しい長方形探索法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T19:50:45Z)
• Exploring Complicated Search Spaces with Interleaving-Free Sampling [127.07551427957362]
  本稿では,長距離接続を伴う複雑な検索空間上に探索アルゴリズムを構築する。 我々はtextbfIF-NAS という単純なアルゴリズムを提案し、異なるサブネットワークを構築するために周期的なサンプリング戦略を実行する。 提案した探索空間において、IF-NASはランダムサンプリングと従来の重み付け検索のアルゴリズムを有意差で上回っている。
  論文  参考訳（メタデータ） (2021-12-05T06:42:48Z)
• BR-NS: an Archive-less Approach to Novelty Search [70.13948372218849]
  行動認識に基づく新規性探索(BR-NS)という,新規性推定の代替手法について議論する。 BR-NSはアーカイブを必要とせず、行動空間で定義できるメトリクスを前提にせず、近隣の検索に依存しません。 我々は、その実現可能性とダイナミクス、および時間複雑性の観点からアーカイブベースのnsよりも潜在的に有利な点について洞察を得るために実験を行う。
  論文  参考訳（メタデータ） (2021-04-08T17:31:34Z)
• Learning to Stop: Dynamic Simulation Monte-Carlo Tree Search [66.34387649910046]
  モンテカルロ木探索(MCTS)は、囲碁やアタリゲームなど多くの領域で最先端の結果を得た。 我々は,現在の検索状況の不確かさを予測し,その結果を用いて検索をやめるべきかどうかを判断することで,この目標を達成することを提案する。
  論文  参考訳（メタデータ） (2020-12-14T19:49:25Z)
• Searching for a Search Method: Benchmarking Search Algorithms for Generating NLP Adversarial Examples [10.993342896547691]
  自然言語処理(NLP)タスクの逆例を生成するために,複数のブラックボックス探索アルゴリズムの動作について検討した。 検索アルゴリズム,検索空間,検索予算の3つの要素を詳細に分析する。
  論文  参考訳（メタデータ） (2020-09-09T17:04:42Z)
• Best-First Beam Search [78.71330480725668]
  本研究では,ビームサーチの標準実装を10倍高速に実現可能であることを示す。 ダウンストリーム性能の面でも同様に有益な探索バイアスを有するBest-First Beam Searchのメモリ再生版を提案する。
  論文  参考訳（メタデータ） (2020-07-08T05:56:01Z)
• GOLD-NAS: Gradual, One-Level, Differentiable [100.12492801459105]
  GOLD-NAS (Gradual One-Level Differentiable Neural Architecture Search) という新しいアルゴリズムを提案する。 1レベル最適化に可変リソース制約を導入し、弱い演算子をスーパーネットワークから徐々に追い出す。
  論文  参考訳（メタデータ） (2020-07-07T10:37:49Z)

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。