論文の概要: Using Affine Combinations of BBOB Problems for Performance Assessment

• arxiv url: http://arxiv.org/abs/2303.04573v1
• Date: Wed, 8 Mar 2023 13:37:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-09 14:06:30.174532
• Title: Using Affine Combinations of BBOB Problems for Performance Assessment
• Title（参考訳）: BBOB問題とアフィンの組み合わせによる性能評価
• Authors: Diederick Vermetten, Furong Ye, Carola Doerr
• Abstract要約: 本稿では,アフィン関数の組み合わせを用いて最適化アルゴリズムの挙動を解析する方法を示す。 特に,複合問題間の重み付けを変化させることで,付加的なグローバル構造の影響についての洞察を得ることができることを強調する。
• 参考スコア（独自算出の注目度）: 0.9281671380673306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Benchmarking plays a major role in the development and analysis of optimization algorithms. As such, the way in which the used benchmark problems are defined significantly affects the insights that can be gained from any given benchmark study. One way to easily extend the range of available benchmark functions is through affine combinations between pairs of functions. From the perspective of landscape analysis, these function combinations smoothly transition between the two base functions. In this work, we show how these affine function combinations can be used to analyze the behavior of optimization algorithms. In particular, we highlight that by varying the weighting between the combined problems, we can gain insights into the effects of added global structure on the performance of optimization algorithms. By analyzing performance trajectories on more function combinations, we also show that aspects such as the scaling of objective functions and placement of the optimum can greatly impact how these results are interpreted.
• Abstract（参考訳）: ベンチマークは最適化アルゴリズムの開発と解析において重要な役割を果たす。 このように、使用済みのベンチマーク問題を定義する方法は、任意のベンチマーク調査から得られる洞察に大きく影響します。 利用可能なベンチマーク関数の範囲を簡単に拡張する方法の一つは、関数対間のアフィンの組み合わせである。 ランドスケープ解析の観点からは、これらの関数の組み合わせは2つの基本関数間でスムーズに遷移する。 本稿では,これらのアフィン関数の組み合わせを最適化アルゴリズムの挙動解析に利用できることを示す。 特に,組合せ問題間の重み付けを変化させることで,最適化アルゴリズムの性能に付加的なグローバル構造が与える影響についての洞察を得ることができる。 さらに,より機能的な組み合わせで性能特性を分析することにより,目的関数のスケーリングや最適な配置といった側面が,これらの結果の解釈に多大な影響を与えうることを示した。

関連論文リスト

• FunBO: Discovering Acquisition Functions for Bayesian Optimization with FunSearch [21.41322548859776]
  本稿では、FunBOを用いて、コンピュータコードで書かれた新しい取得関数を学習する方法を示す。 本稿では,FunBOが関数のトレーニング分布の内外をよく一般化するAFを特定する方法を示す。
  論文  参考訳（メタデータ） (2024-06-07T10:49:59Z)
• Functional Bilevel Optimization for Machine Learning [36.081761044296904]
  本稿では,関数空間上での内的目的を最小化する機械学習における二段階最適化問題に対する新たな機能的視点を提案する。 機能的二段階最適化問題に対して,スケーラブルで効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-29T15:22:03Z)
• Explainable Benchmarking for Iterative Optimization Heuristics [0.8192907805418583]
  我々は、様々な最適化アルゴリズムの性能を分析し、理解するためのIOH-Xplainerソフトウェアフレームワークを紹介する。 さまざまなアルゴリズムコンポーネントと構成の影響を調査し、さまざまなシナリオにおけるパフォーマンスに関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-01-31T14:02:26Z)
• Performance Embeddings: A Similarity-based Approach to Automatic Performance Optimization [71.69092462147292]
  パフォーマンス埋め込みは、アプリケーション間でパフォーマンスチューニングの知識伝達を可能にする。 本研究では, 深層ニューラルネットワーク, 密度およびスパース線形代数合成, および数値風速予測ステンシルのケーススタディにおいて, この伝達チューニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-14T15:51:35Z)
• Offline Reinforcement Learning with Differentiable Function Approximation is Provably Efficient [65.08966446962845]
  歴史的データを用いて意思決定戦略を最適化することを目的としたオフライン強化学習は、現実の応用に広く適用されている。 微分関数クラス近似(DFA)を用いたオフライン強化学習の検討から一歩踏み出した。 最も重要なことは、悲観的な適合Q-ラーニングアルゴリズムを解析することにより、オフライン微分関数近似が有効であることを示すことである。
  論文  参考訳（メタデータ） (2022-10-03T07:59:42Z)
• Runtime Analysis of the (1+1) EA on Weighted Sums of Transformed Linear Functions [13.264683014487376]
  2つの変換線型関数の重み付き和である目的関数のクラスについて検討する。 以上の結果から, (1+1) EA は, 関数の重複ビット数に依存する突然変異率を持つため, 期待時間 O(n log n) におけるこれらの関数に対する最適解が得られることがわかった。
  論文  参考訳（メタデータ） (2022-08-11T07:05:15Z)
• On the development of a Bayesian optimisation framework for complex unknown systems [11.066706766632578]
  本稿では, ベイズ最適化アルゴリズムを様々な合成試験関数に対して実験的に検討し, 比較する。 取得関数の選択とトレーニングサンプル数,取得関数の正確な計算,モンテカルロに基づくアプローチについて検討する。
  論文  参考訳（メタデータ） (2022-07-19T09:50:34Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
  決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。 厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。 このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
  論文  参考訳（メタデータ） (2021-11-29T15:10:09Z)
• Are we Forgetting about Compositional Optimisers in Bayesian Optimisation? [66.39551991177542]
  本稿では,グローバル最適化のためのサンプル手法を提案する。 この中、重要なパフォーマンス決定の自明さは、取得機能を最大化することです。 3958実験における機能最適化手法の実証的利点を強調する。
  論文  参考訳（メタデータ） (2020-12-15T12:18:38Z)
• Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
  バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
  論文  参考訳（メタデータ） (2020-10-15T18:09:48Z)

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。