論文の概要: MA-BBOB: A Problem Generator for Black-Box Optimization Using Affine
Combinations and Shifts
- arxiv url: http://arxiv.org/abs/2312.11083v1
- Date: Mon, 18 Dec 2023 10:23:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 20:30:39.187194
- Title: MA-BBOB: A Problem Generator for Black-Box Optimization Using Affine
Combinations and Shifts
- Title（参考訳）: MA-BBOB:アフィン組合せとシフトを用いたブラックボックス最適化問題生成装置
- Authors: Diederick Vermetten, Furong Ye, Thomas B\"ack, Carola Doerr
- Abstract要約: 本稿では,BBOBスイートをアフィン結合の成分関数として用いるMA-BBOB関数生成器を提案する。
我々は,MA-BBOBがアルゴリズムセレクタの幅広いトレーニングデータとテストデータを生成する可能性を示す。
- 参考スコア（独自算出の注目度）: 1.2617078020344619
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Choosing a set of benchmark problems is often a key component of any
empirical evaluation of iterative optimization heuristics. In continuous,
single-objective optimization, several sets of problems have become widespread,
including the well-established BBOB suite. While this suite is designed to
enable rigorous benchmarking, it is also commonly used for testing methods such
as algorithm selection, which the suite was never designed around.
We present the MA-BBOB function generator, which uses the BBOB suite as
component functions in an affine combination. In this work, we describe the
full procedure to create these affine combinations and highlight the trade-offs
of several design decisions, specifically the choice to place the optimum
uniformly at random in the domain. We then illustrate how this generator can be
used to gain more low-level insight into the function landscapes through the
use of exploratory landscape analysis.
Finally, we show a potential use-case of MA-BBOB in generating a wide set of
training and testing data for algorithm selectors. Using this setup, we show
that the basic scheme of using a set of landscape features to predict the best
algorithm does not lead to optimal results, and that an algorithm selector
trained purely on the BBOB functions generalizes poorly to the affine
combinations.
- Abstract（参考訳）: 一連のベンチマーク問題を選択することは、反復最適化ヒューリスティックスの実験的評価の重要な要素であることが多い。
連続的な単目的最適化では、確立されたBBOBスイートを含むいくつかの問題セットが広まっている。
このスイートは厳密なベンチマークを可能にするように設計されているが、アルゴリズムの選択のようなテスト手法でも一般的に使用される。
BBOBスイートをアフィン結合のコンポーネント関数として用いるMA-BBOB関数生成器を提案する。
本稿では、これらのアフィンの組み合わせを作成するための完全な手順を説明し、いくつかの設計決定のトレードオフを強調し、特にドメイン内の最適値をランダムに配置する選択について述べる。
次に、このジェネレータを用いて、探索的景観解析を用いて、関数ランドスケープのより低レベルな洞察を得る方法について説明する。
最後に,MA-BBOBがアルゴリズムセレクタの幅広いトレーニングデータとテストデータを生成する可能性を示す。
この設定を用いて,最適なアルゴリズムを予測するために一連のランドスケープ特徴を用いた基本スキームは最適結果に至らず,bbob関数に純粋にトレーニングされたアルゴリズムセレクタはアフィンの組み合わせにあまり一般化しないことを示す。
関連論文リスト
- Impact of Training Instance Selection on Automated Algorithm Selection Models for Numerical Black-box Optimization [0.40498500266986387]
我々は,MA-BBOB生成関数が自動機械学習手法の理想的なテストベッドであることを示す。
8つのアルゴリズムの集合内で性能相補性を研究することにより,AASから得られる潜在的な利得を解析する。
トレーニングにBBOBコンポーネント関数を単純に使うと、テスト性能が低下することを示す。
論文 参考訳（メタデータ） (2024-04-11T08:03:53Z) - MA-BBOB: Many-Affine Combinations of BBOB Functions for Evaluating
AutoML Approaches in Noiseless Numerical Black-Box Optimization Contexts [0.8258451067861933]
(MA-)BBOBは、一般公開のIOHファウンサープラットフォーム上に構築されている。
パフォーマンス分析と視覚化のためのインタラクティブなIOHanalyzerモジュールへのアクセスを提供し、(MA-)BBOB関数で利用可能なリッチで成長中のデータコレクションとの比較を可能にする。
論文 参考訳（メタデータ） (2023-06-18T19:32:12Z) - 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) - Optimal Algorithms for Mean Estimation under Local Differential Privacy [55.32262879188817]
そこで本研究では,PrivUnitが局所的プライベートな乱数化器群間の最適分散を実現することを示す。
また,ガウス分布に基づくPrivUnitの新たな変種も開発しており,数学的解析に適しており,同じ最適性保証を享受できる。
論文 参考訳（メタデータ） (2022-05-05T06:43:46Z) - Per-run Algorithm Selection with Warm-starting using Trajectory-based
Features [5.073358743426584]
インスタンスごとのアルゴリズム選択は、与えられた問題の場合、1つまたは複数の適切なアルゴリズムを推奨する。
提案手法は,実行毎のアルゴリズム選択を行うオンラインアルゴリズム選択方式を提案する。
提案手法は静的なインスタンスごとのアルゴリズム選択よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-04-20T14:30:42Z) - Bayesian Algorithm Execution: Estimating Computable Properties of
Black-box Functions Using Mutual Information [78.78486761923855]
多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。
本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。
これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
論文 参考訳（メタデータ） (2021-04-19T17:22:11Z) - Efficient Pure Exploration for Combinatorial Bandits with Semi-Bandit
Feedback [51.21673420940346]
コンビナーシャルバンディットはマルチアームバンディットを一般化し、エージェントが腕のセットを選択し、選択したセットに含まれる各腕の騒々しい報酬を観察します。
我々は, 最善の腕を一定の信頼度で識別する純粋爆発問題と, 応答集合の構造が動作集合の1つと異なるような, より一般的な設定に注目する。
有限多面体に対するプロジェクションフリーオンライン学習アルゴリズムに基づいて、凸的に最適であり、競争力のある経験的性能を持つ最初の計算効率の良いアルゴリズムである。
論文 参考訳（メタデータ） (2021-01-21T10:35:09Z) - Combinatorial Bayesian Optimization with Random Mapping Functions to
Convex Polytopes [43.19936635161588]
大規模空間でうまく動作するような空間におけるベイズ最適化法を提案する。
提案アルゴリズムは,既存手法と比較して良好な性能を示す。
論文 参考訳（メタデータ） (2020-11-26T02:22:41Z) - Multi-View Spectral Clustering with High-Order Optimal Neighborhood
Laplacian Matrix [57.11971786407279]
マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。
本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。
提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
論文 参考訳（メタデータ） (2020-08-31T12:28:40Z) - Versatile Black-Box Optimization [6.92253842648213]
本稿では,離散的,連続的,ノイズのない,逐次的,並列的なブラックボックス最適化に適したアルゴリズムであるShiwaを提案する。
提案アルゴリズムは,BBOBに匹敵するテストベッドであるYABBOBの競合と実験的に比較し,実世界のテストベッドで検証する。
論文 参考訳（メタデータ） (2020-04-29T08:20:36Z) - Stepwise Model Selection for Sequence Prediction via Deep Kernel
Learning [100.83444258562263]
本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。
結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。
我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
論文 参考訳（メタデータ） (2020-01-12T09:42:19Z)
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。