論文の概要: AC-Band: A Combinatorial Bandit-Based Approach to Algorithm Configuration

• arxiv url: http://arxiv.org/abs/2212.00333v1
• Date: Thu, 1 Dec 2022 07:41:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 17:33:48.408325
• Title: AC-Band: A Combinatorial Bandit-Based Approach to Algorithm Configuration
• Title（参考訳）: ac-band:アルゴリズム構成に対する組合せバンディットに基づくアプローチ
• Authors: Jasmin Brandt, Elias Schede, Viktor Bengs, Bj\"orn Haddenhorst, Eyke H\"ullermeier, Kevin Tierney
• Abstract要約: 本稿では,多腕バンディットに基づくAC問題に対する一般的なアプローチであるACバンドについて紹介する。 本稿では,AC-Band の計算時間は,理論上の保証を提供する他の AC 手法に比べて有意に少なく,高品質な構成が得られることを示す。
• 参考スコア（独自算出の注目度）: 7.308043735125706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the algorithm configuration (AC) problem, in which one seeks to find an optimal parameter configuration of a given target algorithm in an automated way. Recently, there has been significant progress in designing AC approaches that satisfy strong theoretical guarantees. However, a significant gap still remains between the practical performance of these approaches and state-of-the-art heuristic methods. To this end, we introduce AC-Band, a general approach for the AC problem based on multi-armed bandits that provides theoretical guarantees while exhibiting strong practical performance. We show that AC-Band requires significantly less computation time than other AC approaches providing theoretical guarantees while still yielding high-quality configurations.
• Abstract（参考訳）: 本研究では,与えられた対象アルゴリズムの最適パラメータ構成を自動で求めるアルゴリズム構成問題(ac)について検討する。 近年、強力な理論的保証を満たすACアプローチの設計が著しく進歩している。 しかし、これらの手法の実践的性能と最先端のヒューリスティック手法の間には依然として大きなギャップが残っている。 そこで本稿では,AC-Bandという多腕バンディットに基づくAC問題に対する一般的なアプローチを導入し,高い実用性能を示しながら理論的な保証を提供する。 本稿では,AC-Band の計算時間は,理論上の保証を提供する他の AC 手法に比べて有意に少なく,高品質な構成が得られることを示す。

関連論文リスト

• Using Automated Algorithm Configuration for Parameter Control [0.7742297876120562]
  動的アルゴリズム構成(DAC)は、データ駆動方式でアルゴリズムのパラメータを制御するためのポリシーを自動的に学習する方法の問題に取り組む。 我々は,OneMax問題を解くために,$(lambda,lambda)$Genetic Algorithmにおけるキーパラメータ$lambda$の制御を行う新しいDACベンチマークを提案する。 我々のアプローチは、十分に大きな問題サイズに関する以前の理論的研究から得られたベンチマークのデフォルトパラメータ制御ポリシーを一貫して上回ることができる。
  論文  参考訳（メタデータ） (2023-02-23T20:57:47Z)
• Data-Driven Chance Constrained AC-OPF using Hybrid Sparse Gaussian Processes [57.70237375696411]
  入力不確実性を伴う潮流方程式をモデル化するために,スパースプロセスとハイブリッドガウスプロセス(GP)フレームワークを用いた高速データ駆動構成を提案する。 提案手法の有効性は,複数のIEEEテストケースに対して,最大2倍の高速かつ高精度な解を示す数値的な研究によって主張する。
  論文  参考訳（メタデータ） (2022-08-30T09:27:59Z)
• Actor-Critic based Improper Reinforcement Learning [61.430513757337486]
  我々は,未知のマルコフ決定プロセスに対して,学習者に100万ドルのベースコントローラを付与する不適切な強化学習環境を考える。 本稿では,(1)ポリシーグラディエントに基づくアプローチ,(2)単純なアクター・クリティカル・スキームとNatural Actor-Criticスキームを切り替えるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-19T05:55:02Z)
• A Survey of Methods for Automated Algorithm Configuration [62.37481650469114]
  アルゴリズム構成(AC)は、パラメタライズされたアルゴリズムの最も適切なパラメータ構成を自動で検索することに関するものである。 既存のレビューは、AC問題のすべての微分を考慮に入れておらず、完全な分類スキームも提供していない。 我々は、我々のレンズ内の既存のAC文献を概説し、構成方法、コントラスト法、問題変種に関する設計選択について概説し、業界におけるACの現状について述べる。
  論文  参考訳（メタデータ） (2022-02-03T15:51:56Z)
• Instance-Dependent Confidence and Early Stopping for Reinforcement Learning [99.57168572237421]
  強化学習(RL)のための様々なアルゴリズムは、その収束率の劇的な変動を問題構造の関数として示している。 この研究は、観察されたパフォーマンスの違いについて、textitexを説明する保証を提供する。 次の自然なステップは、これらの理論的保証を実際に有用なガイドラインに変換することです。
  論文  参考訳（メタデータ） (2022-01-21T04:25:35Z)
• CSCF: a chaotic sine cosine firefly Algorithm for practical application problems [0.0]
  いくつかの最適化アルゴリズム、すなわちファイアフライアルゴリズム、正弦コサインアルゴリズム、粒子群最適化アルゴリズムは、計算複雑性、収束速度などの欠点はほとんどない。 本稿では,最適化問題を解くために,多数の変種を持つ新しいCSCFアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-20T08:54:28Z)
• Fast Convergence Algorithm for Analog Federated Learning [30.399830943617772]
  無線チャネル上での効率的なアナログフェデレーション学習のためのAirCompベースのFedSplitアルゴリズムを提案する。 提案アルゴリズムは, 目的関数が強く凸かつ滑らかであるという仮定の下で, 最適解に線形収束することを示す。 我々のアルゴリズムは、他のベンチマークFLアルゴリズムと比較して、より高速な収束を伴う不条件問題に対して、より堅牢であることが理論的および実験的に検証されている。
  論文  参考訳（メタデータ） (2020-10-30T10:59:49Z)
• Consistency of Anchor-based Spectral Clustering [0.0]
  アンカーベースの手法は、スペクトルクラスタリングアルゴリズムの計算複雑性を低減する。 厳密な分析が可能であり,実践に有効であることを示す。 我々はChenとCaiの最先端のLCC法と競合することが判明した。
  論文  参考訳（メタデータ） (2020-06-24T18:34:41Z)
• Approximation Algorithms for Sparse Principal Component Analysis [57.5357874512594]
  主成分分析(PCA)は、機械学習と統計学において広く使われている次元削減手法である。 スパース主成分分析(Sparse principal Component Analysis)と呼ばれる,スパース主成分負荷を求める様々な手法が提案されている。 本研究では,SPCA問題に対するしきい値の精度,時間,近似アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-23T04:25:36Z)
• Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
  適応性は現代最適化理論において重要であるが、研究されていない性質である。 提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
  論文  参考訳（メタデータ） (2020-02-13T05:42:27Z)

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。