論文の概要: MetaBox: A Benchmark Platform for Meta-Black-Box Optimization with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2310.08252v2
• Date: Fri, 27 Oct 2023 15:19:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-30 16:39:28.271188
• Title: MetaBox: A Benchmark Platform for Meta-Black-Box Optimization with Reinforcement Learning
• Title（参考訳）: MetaBox: 強化学習によるメタブラックボックス最適化のためのベンチマークプラットフォーム
• Authors: Zeyuan Ma, Hongshu Guo, Jiacheng Chen, Zhenrui Li, Guojun Peng, Yue-Jiao Gong, Yining Ma, Zhiguang Cao
• Abstract要約: MetaBBO-RLメソッドの開発と評価に特化した,最初のベンチマークプラットフォームであるMetaBoxを紹介する。 MetaBoxはフレキシブルなアルゴリズムテンプレートを提供しており、ユーザーはプラットフォーム内で独自のデザインをシームレスに実装することができる。 合成シナリオから現実シナリオまで,300を超える問題インスタンスの幅広いスペクトルと,19のベースラインメソッドの広範なライブラリを提供する。
• 参考スコア（独自算出の注目度）: 25.687304354503148
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, Meta-Black-Box Optimization with Reinforcement Learning (MetaBBO-RL) has showcased the power of leveraging RL at the meta-level to mitigate manual fine-tuning of low-level black-box optimizers. However, this field is hindered by the lack of a unified benchmark. To fill this gap, we introduce MetaBox, the first benchmark platform expressly tailored for developing and evaluating MetaBBO-RL methods. MetaBox offers a flexible algorithmic template that allows users to effortlessly implement their unique designs within the platform. Moreover, it provides a broad spectrum of over 300 problem instances, collected from synthetic to realistic scenarios, and an extensive library of 19 baseline methods, including both traditional black-box optimizers and recent MetaBBO-RL methods. Besides, MetaBox introduces three standardized performance metrics, enabling a more thorough assessment of the methods. In a bid to illustrate the utility of MetaBox for facilitating rigorous evaluation and in-depth analysis, we carry out a wide-ranging benchmarking study on existing MetaBBO-RL methods. Our MetaBox is open-source and accessible at: https://github.com/GMC-DRL/MetaBox.
• Abstract（参考訳）: 近年,メタブラックボックス最適化と強化学習(MetaBBO-RL)は,低レベルのブラックボックス最適化のマニュアル微調整を緩和するために,メタレベルでRLを活用する能力を示した。 しかし、このフィールドは統一ベンチマークの欠如によって妨げられている。 このギャップを埋めるために,MetaBBO-RL法の開発と評価に適した最初のベンチマークプラットフォームであるMetaBoxを紹介する。 metaboxは柔軟なアルゴリズムテンプレートを提供しており、ユーザーはプラットフォーム内で独自のデザインを自由に実装できる。 さらに、合成から現実的なシナリオから収集された300を超える問題インスタンスと、従来のブラックボックスオプティマイザと最近のMetaBBO-RLメソッドを含む19のベースラインメソッドの広範なライブラリを提供する。 さらに、metaboxは3つの標準化されたパフォーマンスメトリクスを導入し、より詳細な評価を可能にした。 厳密な評価と詳細な分析を容易にするMetaBoxの有用性を説明するため,既存のMetaBBO-RL法について広範囲にわたるベンチマーク研究を行った。 MetaBoxはオープンソースで、https://github.com/GMC-DRL/MetaBox.comでアクセスできます。

関連論文リスト

• Toward Automated Algorithm Design: A Survey and Practical Guide to Meta-Black-Box-Optimization [22.902923118981857]
  進化計算(EC)コミュニティの新たな道としてメタブラックボックス最適化(MetaBBO)を導入する。 MetaBBOの成功にもかかわらず、現在の文献は主要な側面の要約が不十分であり、実装に関する実践的なガイダンスが欠如している。
  論文  参考訳（メタデータ） (2024-11-01T14:32:19Z)
• MetaSeg: MetaFormer-based Global Contexts-aware Network for Efficient Semantic Segmentation [13.375673104675023]
  バックボーンからデコーダへのメタフォーマーアーキテクチャを活用する強力なセマンティックセグメンテーションネットワークであるMetaSegを提案する。 私たちのMetaSegは、MetaFormerアーキテクチャがデコーダやバックボーンの有用なコンテキストをキャプチャする上で重要な役割を担っていることを示しています。 これは、CNNベースのバックボーンをMetaFormerブロックを使って採用し、グローバルコンテキストをキャプチャするための新しい自己注意モジュールで構成されるMetaFormerベースのデコーダを設計する動機となります。
  論文  参考訳（メタデータ） (2024-08-14T14:16:52Z)
• MAMBA: an Effective World Model Approach for Meta-Reinforcement Learning [18.82398325614491]
  本稿では,メタRL法とメタRL法の要素に基づくメタRLの新しいモデルベースアプローチを提案する。 本稿では,メタRLベンチマークドメインに対するアプローチの有効性を実証し,より優れたサンプル効率でより高いリターンが得られることを示す。 さらに,より困難な高次元領域のスレート上でのアプローチを検証し,実世界の一般化エージェントへの一歩を踏み出した。
  論文  参考訳（メタデータ） (2024-03-14T20:40:36Z)
• Meta Architecure for Point Cloud Analysis [77.92830049514264]
  我々は,3Dポイントクラウド分析手法を解釈する,PointMetaと呼ばれる統合フレームワークを提案する。 PointMetaでは、さまざまなアプローチを公平に比較することができ、迅速な実験を使用して、比較から経験的な観察や仮定を検証することができます。 既存のアプローチを簡単に微調整することで、PointMetaBaseと呼ばれる基本的なビルディングブロックを導き出すことができます。
  論文  参考訳（メタデータ） (2022-11-26T02:53:40Z)
• MetaDelta: A Meta-Learning System for Few-shot Image Classification [71.06324527247423]
  数ショット画像分類のための新しいメタ学習システムであるMetaDeltaを提案する。 MetaDeltaの各メタラーナーは、バッチトレーニングによって微調整された独自の事前訓練エンコーダと、予測に使用されるパラメータフリーデコーダで構成されている。
  論文  参考訳（メタデータ） (2021-02-22T02:57:22Z)
• Meta-Learning with Neural Tangent Kernels [58.06951624702086]
  メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。 このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。 本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
  論文  参考訳（メタデータ） (2021-02-07T20:53:23Z)
• BOML: A Modularized Bilevel Optimization Library in Python for Meta Learning [52.90643948602659]
  BOMLはモジュール化された最適化ライブラリで、いくつかのメタ学習アルゴリズムを共通の双方向最適化フレームワークに統合する。 さまざまなイテレーションモジュールとともに階層的な最適化パイプラインを提供し、メタ学習メソッドの主流カテゴリを解決するために使用できる。
  論文  参考訳（メタデータ） (2020-09-28T14:21:55Z)
• Offline Meta-Reinforcement Learning with Advantage Weighting [125.21298190780259]
  本稿では,オフラインメタ強化学習(オフラインメタRL)問題設定を導入し,この設定でよく機能するアルゴリズムを提案する。 オフラインメタRLは、修正済みデータの大規模なバッチ上でモデルを事前学習する、広く成功した教師付き学習戦略に類似している。 本稿では,メタトレーニングの内ループと外ループの両方に対して,シンプルかつ教師付き回帰目標を用いた最適化に基づくメタ学習アルゴリズムである,アドバンテージ重み付きメタアクタ批判(MACAW)を提案する。
  論文  参考訳（メタデータ） (2020-08-13T17:57:14Z)
• Meta-Model-Based Meta-Policy Optimization [19.468989399627638]
  性能保証を伴うモデルベースメタ強化学習(RL)手法を提案する。 連続制御ベンチマークにおいて,M3POが既存のメタRL法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-04T01:39:39Z)
• HMRL: Hyper-Meta Learning for Sparse Reward Reinforcement Learning Problem [107.52043871875898]
  スパース報酬RL問題のためのメタ強化学習フレームワークHyper-Meta RL(HMRL)を開発した。 異なる環境に適応するために共通のメタ状態空間を構築するクロス環境メタ状態埋め込みモジュールを含む3つのモジュールで構成されている。 スパース・リワード環境を用いた実験は、伝達性および政策学習効率の両方においてHMRLの優位性を示す。
  論文  参考訳（メタデータ） (2020-02-11T07:31:11Z)

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。