Fugu-MT 論文翻訳(概要): Optimization of Discrete Parameters Using the Adaptive Gradient Method and Directed Evolution

論文の概要: Optimization of Discrete Parameters Using the Adaptive Gradient Method and Directed Evolution

arxiv url: http://arxiv.org/abs/2401.06834v1
Date: Fri, 12 Jan 2024 15:45:56 GMT
ステータス: 処理完了
システム内更新日: 2024-01-17 21:09:06.933853
Title: Optimization of Discrete Parameters Using the Adaptive Gradient Method and Directed Evolution
Title（参考訳）: 適応勾配法と有向進化法による離散パラメータの最適化
Authors: Andrei Beinarovich, Sergey Stepanov, Alexander Zaslavsky
Abstract要約: 最適解の探索は、個人の集団によって行われる。適応していない個体は死に、最適な個体は交配し、結果として進化力学が導かれた。
参考スコア（独自算出の注目度）: 49.1574468325115
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The problem is considered of optimizing discrete parameters in the presence of constraints. We use the stochastic sigmoid with temperature and put forward the new adaptive gradient method CONGA. The search for an optimal solution is carried out by a population of individuals. Each of them varies according to gradients of the 'environment' and is characterized by two temperature parameters with different annealing schedules. Unadapted individuals die, and optimal ones interbreed, the result is directed evolutionary dynamics. The proposed method is illustrated using the well-known combinatorial problem for optimal packing of a backpack (0-1 KP).
Abstract（参考訳）: 問題は制約の存在下で離散パラメータを最適化することである。本研究では, 温度の確率型シグモイドを用い, 適応勾配法 CONGA を提唱した。最適解の探索は、個人の集団によって行われる。それぞれが「環境」の勾配に応じて変化し、アニーリングスケジュールが異なる2つの温度パラメータによって特徴づけられる。不適応な個体は死に、最適な個体は交配され、結果は進化の動力学に向けられる。提案手法は,バックパック (0-1 kp) の最適充填によく知られた組合せ問題を用いた。

関連論文リスト

Adaptive Preference Scaling for Reinforcement Learning with Human Feedback [103.36048042664768]
人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の価値を合わせるための一般的なアプローチである。本稿では,分散ロバスト最適化(DRO)に基づく適応的優先損失を提案する。提案手法は多用途であり,様々な選好最適化フレームワークに容易に適用可能である。
論文参考訳（メタデータ） (2024-06-04T20:33:22Z)
Stochastic Hessian Fittings with Lie Groups [6.626539885456148]
最適化問題としてのヘシアンフィッティングは、特定のが一般のリー群を持つ穏やかな条件下では強く凸である。この発見により、ヘシアンフィッティングはよく振る舞う最適化問題となり、大規模最適化のための高効率でエレガントなリー群スパースプレコンディショナーフィッティング法の設計が容易になる。
論文参考訳（メタデータ） (2024-02-19T06:00:35Z)
Distributed Evolution Strategies for Black-box Stochastic Optimization [42.90600124972943]
この研究は、分散ブラックボックス最適化への進化的アプローチに関するものである。各作業者は、アルゴリズムによる問題の近似を個別に解くことができる。問題のロバスト性を大幅に改善する2つの代替シミュレーション手法を提案する。
論文参考訳（メタデータ） (2022-04-09T11:18:41Z)
Last-Iterate Convergence of Saddle-Point Optimizers via High-Resolution Differential Equations [83.3201889218775]
広く使われている1次サドル点最適化法は、帰納的導出時に同一の連続時間常微分方程式(ODE)を導出する。しかし、これらの方法の収束特性は、単純な双線型ゲームでさえ質的に異なる。いくつかのサドル点最適化法のための微分方程式モデルの設計に流体力学の研究フレームワークを採用する。
論文参考訳（メタデータ） (2021-12-27T18:31:34Z)
Learning adaptive differential evolution algorithm from optimization experiences by policy gradient [24.2122434523704]
本稿では,一連の問題に対する最適化経験から学習した適応パラメータ制御手法を提案する。提案した微分進化の制御パラメータを適応的に提供できるエージェントを学習するために、強化学習アルゴリズム、名前付きポリシーを適用した。提案アルゴリズムは、CEC'13とCEC'17テストスイートでよく知られた9つの進化的アルゴリズムと競合して動作する。
論文参考訳（メタデータ） (2021-02-06T12:01:20Z)
Stochastic Learning Approach to Binary Optimization for Optimal Design of Experiments [0.0]
本稿では,偏微分方程式などの数学モデルによるベイズ逆問題に対する最適実験設計 (OED) のための二項最適化への新しいアプローチを提案する。 OEDユーティリティ関数、すなわち正規化された最適性勾配はベルヌーイ分布に対する期待の形で目的関数にキャストされる。この目的を確率的最適化ルーチンを用いて最適な観測方針を求めることで解決する。
論文参考訳（メタデータ） (2021-01-15T03:54:12Z)
Robust, Accurate Stochastic Optimization for Variational Inference [68.83746081733464]
また, 共通最適化手法は, 問題が適度に大きい場合, 変分近似の精度が低下することを示した。これらの結果から,基礎となるアルゴリズムをマルコフ連鎖の生成とみなして,より堅牢で正確な最適化フレームワークを開発する。
論文参考訳（メタデータ） (2020-09-01T19:12:11Z)
Particle Swarm Optimization with Velocity Restriction and Evolutionary Parameters Selection for Scheduling Problem [0.0]
本稿では,スケジューリング問題に対するParticle Swarm最適化手法について述べる。提案手法の性能向上のために,粒子速度の制限と進化的メタ最適化を実現した。
論文参考訳（メタデータ） (2020-06-19T02:28:57Z)
Convergence of adaptive algorithms for weakly convex constrained optimization [59.36386973876765]
モローエンベロープの勾配のノルムに対して$mathcaltilde O(t-1/4)$収束率を証明する。我々の分析では、最小バッチサイズが1ドル、定数が1位と2位のモーメントパラメータが1ドル、そしておそらくスムーズな最適化ドメインで機能する。
論文参考訳（メタデータ） (2020-06-11T17:43:19Z)
On the Convergence of Adaptive Gradient Methods for Nonconvex Optimization [80.03647903934723]
我々は、勾配収束法を期待する適応勾配法を証明した。解析では、非理解勾配境界の最適化において、より適応的な勾配法に光を当てた。
論文参考訳（メタデータ） (2018-08-16T20:25:28Z)

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。