論文の概要: Towards a Systems Theory of Algorithms
- arxiv url: http://arxiv.org/abs/2401.14029v1
- Date: Thu, 25 Jan 2024 09:20:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-26 15:06:23.027679
- Title: Towards a Systems Theory of Algorithms
- Title（参考訳）: アルゴリズムのシステム理論に向けて
- Authors: Florian D\"orfler, Zhiyu He, Giuseppe Belgioioso, Saverio Bolognani,
John Lygeros, Michael Muehlebach
- Abstract要約: 我々は、アルゴリズムを、他のアルゴリズム、物理システム、人間、データベースと相互作用するオープンな動的システムとして見ることを好む。
アルゴリズムシステム理論の原理が開発されている様々な事例を調査し、関連するモデリング、分析、設計課題を概説する。
- 参考スコア（独自算出の注目度）: 7.913238223039003
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Traditionally, numerical algorithms are seen as isolated pieces of code
confined to an {\em in silico} existence. However, this perspective is not
appropriate for many modern computational approaches in control, learning, or
optimization, wherein {\em in vivo} algorithms interact with their environment.
Examples of such {\em open} include various real-time optimization-based
control strategies, reinforcement learning, decision-making architectures,
online optimization, and many more. Further, even {\em closed} algorithms in
learning or optimization are increasingly abstracted in block diagrams with
interacting dynamic modules and pipelines. In this opinion paper, we state our
vision on a to-be-cultivated {\em systems theory of algorithms} and argue in
favour of viewing algorithms as open dynamical systems interacting with other
algorithms, physical systems, humans, or databases. Remarkably, the manifold
tools developed under the umbrella of systems theory also provide valuable
insights into this burgeoning paradigm shift and its accompanying challenges in
the algorithmic world. We survey various instances where the principles of
algorithmic systems theory are being developed and outline pertinent modeling,
analysis, and design challenges.
- Abstract（参考訳）: 伝統的に、数値アルゴリズムは、シリコの存在に制限されたコードの孤立した断片と見なされる。
しかし、この観点は制御、学習、最適化における現代の多くの計算手法には適していない。
その例としては、様々なリアルタイム最適化に基づく制御戦略、強化学習、意思決定アーキテクチャ、オンライン最適化などが挙げられる。
さらに、学習や最適化のアルゴリズムでさえ、動的モジュールやパイプラインと相互作用するブロックダイアグラムで抽象化されるようになっている。
本稿では,アルゴリズムを他のアルゴリズム,物理システム,人間,あるいはデータベースと相互作用するオープンな力学系として見ることを好む。
注目すべきことに、システム理論の傘下で開発された多様体ツールは、この急成長するパラダイムシフトと、アルゴリズムの世界におけるそれに伴う課題に関する貴重な洞察を提供する。
アルゴリズムシステム理論の原理が開発されている様々な事例を調査し、関連するモデリング、分析、設計課題を概説する。
関連論文リスト
- Training Neural Networks with Internal State, Unconstrained
Connectivity, and Discrete Activations [66.53734987585244]
真のインテリジェンスには、内部状態を管理するマシンラーニングモデルが必要だ。
このようなモデルのトレーニングに最も効果的なアルゴリズムは,まだ発見されていない。
このようなトレーニングアルゴリズムを2進アクティベーションと1つの重みの行列のみを持つアーキテクチャに適用する試みについて述べる。
論文 参考訳（メタデータ） (2023-12-22T01:19:08Z) - Dual Algorithmic Reasoning [9.701208207491879]
本稿では,基礎となるアルゴリズム問題の双対性を利用してアルゴリズムを学習することを提案する。
アルゴリズム学習における最適化問題の2つの定義を同時に学習することで、より良い学習が可能になることを実証する。
次に、難易度の高い脳血管分類タスクにデプロイすることで、二元アルゴリズム推論の現実的な実用性を検証する。
論文 参考訳（メタデータ） (2023-02-09T08:46:23Z) - Reinforcement Learning Algorithms: An Overview and Classification [0.0]
本研究では,3種類の環境タイプを特定し,それらの環境タイプに応じて強化学習アルゴリズムを分類する。
各アルゴリズムの概要は、アルゴリズムの基礎についての洞察を与え、アルゴリズム間の類似点と相違点をレビューする。
論文 参考訳（メタデータ） (2022-09-29T16:58:42Z) - Introductory Studies of Swarm Intelligence Techniques [1.2930503923129208]
群れ知能は、個体の集団的研究と、群れの知的行動につながる相互相互作用を含む。
この章では、様々な人口ベースのSIアルゴリズム、基本構造、数学的モデルについて紹介している。
論文 参考訳（メタデータ） (2022-09-26T16:29:55Z) - Neural Combinatorial Optimization: a New Player in the Field [69.23334811890919]
本稿では,ニューラルネットワークに基づくアルゴリズムの古典的最適化フレームワークへの導入に関する批判的分析を行う。
性能, 転送可能性, 計算コスト, 大規模インスタンスなど, これらのアルゴリズムの基本的側面を分析するために, 総合的研究を行った。
論文 参考訳（メタデータ） (2022-05-03T07:54:56Z) - Adaptive Discretization in Online Reinforcement Learning [9.560980936110234]
離散化に基づくアルゴリズムを設計する際の2つの大きな疑問は、離散化をどのように生成し、いつそれを洗練するかである。
オンライン強化学習のための木に基づく階層分割手法の統一的理論的解析を行う。
我々のアルゴリズムは操作制約に容易に適応し、我々の理論は3つの面のそれぞれに明示的な境界を与える。
論文 参考訳（メタデータ） (2021-10-29T15:06:15Z) - Neural Algorithmic Reasoning [11.566653801306844]
我々はアルゴリズムが深層学習法と根本的に異なる性質を持っていると論じる。
学習アルゴリズムの連続空間における要素を表現することによって、ニューラルネットワークは既知のアルゴリズムを現実世界の問題により密接に適応することができる。
論文 参考訳（メタデータ） (2021-05-06T15:33:57Z) - Investigating Bi-Level Optimization for Learning and Vision from a
Unified Perspective: A Survey and Beyond [114.39616146985001]
機械学習やコンピュータビジョンの分野では、モチベーションやメカニズムが異なるにもかかわらず、複雑な問題の多くは、一連の密接に関連するサブプロトコルを含んでいる。
本稿では,BLO(Bi-Level Optimization)の観点から,これらの複雑な学習と視覚問題を一様に表現する。
次に、値関数に基づく単一レベル再構成を構築し、主流勾配に基づくBLO手法を理解し、定式化するための統一的なアルゴリズムフレームワークを確立する。
論文 参考訳（メタデータ） (2021-01-27T16:20:23Z) - Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。
学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。
従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文 参考訳（メタデータ） (2021-01-08T18:55:07Z) - Reinforcement Learning as Iterative and Amortised Inference [62.997667081978825]
我々は、この制御を推論フレームワークとして使用し、償却および反復推論に基づく新しい分類スキームを概説する。
この観点から、比較的探索されていないアルゴリズム設計空間の一部を特定できることを示す。
論文 参考訳（メタデータ） (2020-06-13T16:10:03Z) - Learning to Stop While Learning to Predict [85.7136203122784]
多くのアルゴリズムにインスパイアされたディープモデルは全ての入力に対して固定深度に制限される。
アルゴリズムと同様に、深いアーキテクチャの最適深さは、異なる入力インスタンスに対して異なるかもしれない。
本稿では, ステアブルアーキテクチャを用いて, この様々な深さ問題に対処する。
学習した深層モデルと停止ポリシーにより,多様なタスクセットのパフォーマンスが向上することを示す。
論文 参考訳（メタデータ） (2020-06-09T07:22:01Z)
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。