Fugu-MT 論文翻訳(概要): Simulated bifurcation for higher-order cost functions

論文の概要: Simulated bifurcation for higher-order cost functions

arxiv url: http://arxiv.org/abs/2211.09296v3
Date: Tue, 29 Nov 2022 10:40:04 GMT
ステータス: 処理完了
システム内更新日: 2023-01-19 07:05:54.667549
Title: Simulated bifurcation for higher-order cost functions
Title（参考訳）: 高次コスト関数のための模擬分岐
Authors: Taro Kanao, Hayato Goto
Abstract要約: より高階のSBは、追加のスピン変数で2階のSBより優れることを示す。この結果から,高次SBは実用上有用であることが示唆された。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: High-performance Ising machines for solving combinatorial optimization problems have been developed with digital processors implementing heuristic algorithms such as simulated bifurcation (SB). Although Ising machines have been designed for second-order cost functions, there are practical problems expressed naturally by higher-order cost functions. In this work, we extend SB to such higher-order cost functions. By solving a problem having third-order cost functions, we show that the higher-order SB can outperform not only the second-order SB with additional spin variables, but also simulated annealing applied directly to the third-order cost functions. This result suggests that the higher-order SB can be practically useful.
Abstract（参考訳）: 組合せ最適化問題を解くための高性能Isingマシンは、シミュレートバイファーケーション(SB)のようなヒューリスティックアルゴリズムを実装したデジタルプロセッサで開発されている。イジングマシンは2次コスト関数用に設計されているが、高次コスト関数によって自然に表される実用的な問題がある。本研究では,SBを高次コスト関数に拡張する。 3階のコスト関数を持つ問題を解くことにより、高階のSBはスピン変数を付加した2階のSBよりも優れるだけでなく、三階のコスト関数に直接適用されるアニールをシミュレートできることを示す。その結果,高次SBは実用的に有用であることが示唆された。

関連論文リスト

Stochastic Zeroth-Order Optimization under Strongly Convexity and Lipschitz Hessian: Minimax Sample Complexity [59.75300530380427]
本稿では,アルゴリズムが検索対象関数の雑音評価にのみアクセス可能な2次スムーズかつ強い凸関数を最適化する問題を考察する。本研究は, ミニマックス単純後悔率について, 一致した上界と下界を発達させることにより, 初めて厳密な評価を行ったものである。
論文参考訳（メタデータ） (2024-06-28T02:56:22Z)
Two-Timescale Optimization Framework for Decentralized Linear-Quadratic Optimal Control [3.746304628644379]
凸パラメータ化凸境界不確実性を考慮した$mathcal$-guaranteed linear decentralized-quadratic optimal controlについて検討した。
論文参考訳（メタデータ） (2024-06-17T03:17:33Z)
All-to-all reconfigurability with sparse and higher-order Ising machines [0.0]
オール・ツー・オールのネットワーク機能をエミュレートする多重アーキテクチャを導入する。適応並列テンパリングアルゴリズムの実行は、競合するアルゴリズムと事前ファクターの利点を示す。 pビットIMのスケールされた磁気バージョンは、汎用最適化のための最先端技術よりも桁違いに改善される可能性がある。
論文参考訳（メタデータ） (2023-11-21T20:27:02Z)
Non-Convex Bilevel Optimization with Time-Varying Objective Functions [57.299128109226025]
本稿では,時間変化の可能なオンライン二段階最適化を提案し,エージェントがオンラインデータを用いて決定を継続的に更新する。既存のアルゴリズムと比較して、SOBOWは計算効率が良く、以前の関数を知る必要がない。軽度条件下では,SOBOWはサブリニアな局所的後悔を達成できることを示す。
論文参考訳（メタデータ） (2023-08-07T06:27:57Z)
Efficient Optimization with Higher-Order Ising Machines [5.697064222465131]
その結果,高次Isingマシンは従来の2次Isingマシンよりも資源効率がよい。その結果,Ising マシンの現状が向上した。
論文参考訳（メタデータ） (2022-12-07T03:18:05Z)
An Accelerated Variance-Reduced Conditional Gradient Sliding Algorithm for First-order and Zeroth-order Optimization [111.24899593052851]
条件勾配アルゴリズム(Frank-Wolfeアルゴリズムとも呼ばれる)は、最近、機械学習コミュニティで人気を取り戻している。 ARCSは、ゼロ階最適化において凸問題を解く最初のゼロ階条件勾配スライディング型アルゴリズムである。 1次最適化では、ARCSの収束結果は、勾配クエリのオラクルの数で、従来のアルゴリズムよりも大幅に優れていた。
論文参考訳（メタデータ） (2021-09-18T07:08:11Z)
Reducing the Variance of Gaussian Process Hyperparameter Optimization with Preconditioning [54.01682318834995]
プレコンディショニングは、行列ベクトル乗算を含む反復的な方法にとって非常に効果的なステップである。プレコンディショニングには、これまで検討されていなかった付加的なメリットがあることを実証する。基本的に無視可能なコストで、同時に分散を低減することができる。
論文参考訳（メタデータ） (2021-07-01T06:43:11Z)
Ada-BKB: Scalable Gaussian Process Optimization on Continuous Domain by Adaptive Discretization [21.859940486704264]
GPUCBのようなアルゴリズムは計算の複雑さを禁止している。関数のノアアルゴリズムは、連続最適化の真の問題を裏付ける。
論文参考訳（メタデータ） (2021-06-16T07:55:45Z)
Randomized Stochastic Variance-Reduced Methods for Stochastic Bilevel Optimization [62.87181271021217]
機械学習に多くの応用がある非SBO問題を考察する。本稿では,非SBO問題に対する高速ランダム化アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-05-05T18:28:42Z)
Implicit differentiation for fast hyperparameter selection in non-smooth convex learning [87.60600646105696]
内部最適化問題が凸であるが非滑らかである場合の一階法を研究する。本研究では, ヤコビアンの近位勾配降下と近位座標降下収率列の前方モード微分が, 正確なヤコビアンに向かって収束していることを示す。
論文参考訳（メタデータ） (2021-05-04T17:31:28Z)
MUMBO: MUlti-task Max-value Bayesian Optimization [10.10241176664951]
MUMBOは、マルチタスクベイズ最適化のための、高性能だが計算効率のよい最初の取得関数である。エントロピー探索のマルチタスク版を考案し,計算オーバーヘッドの少ない堅牢な性能を実現する。
論文参考訳（メタデータ） (2020-06-22T09:31:55Z)

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。