論文の概要: Domain-Agnostic Co-Evolution of Generalizable Parallel Algorithm Portfolios

• arxiv url: http://arxiv.org/abs/2501.02906v1
• Date: Mon, 06 Jan 2025 10:29:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:08:49.703099
• Title: Domain-Agnostic Co-Evolution of Generalizable Parallel Algorithm Portfolios
• Title（参考訳）: 一般化可能な並列アルゴリズムポートフォリオのドメインに依存しない共進化
• Authors: Zhiyuan Wang, Shengcai Liu, Peng Yang, Ke Tang,
• Abstract要約: 一般化は、データからトレーニングする際の中核的な目的である。 並列アルゴリズムポートフォリオ(PAP)とインスタンス人口を同時に進化させることによって、共進化的アプローチはこの課題に対処する。 本研究は,パラメタライズドサーチ(DACE)のドメインに依存しない共進化という,汎用的で既成のPAP構築手法を提案する。
• 参考スコア（独自算出の注目度）: 27.138566940625385
• License:
• Abstract: Generalization is the core objective when training optimizers from data. However, limited training instances often constrain the generalization capability of the trained optimizers. Co-evolutionary approaches address this challenge by simultaneously evolving a parallel algorithm portfolio (PAP) and an instance population to eventually obtain PAPs with good generalization. Yet, when applied to a specific problem class, these approaches have a major limitation. They require practitioners to provide instance generators specially tailored to the problem class, which is often non-trivial to design. This work proposes a general-purpose, off-the-shelf PAP construction approach, named domain-agnostic co-evolution of parameterized search (DACE), for binary optimization problems where decision variables take values of 0 or 1. The key innovation of DACE lies in its neural network-based domain-agnostic instance representation and generation mechanism that delimitates the need for domain-specific instance generators. The strong generality of DACE is validated across three real-world binary optimization problems: the complementary influence maximization problem (CIMP), the compiler arguments optimization problem (CAOP), and the contamination control problem (CCP). Given only a small set of training instances from these classes, DACE, without requiring any domain knowledge, constructs PAPs with better generalization performance than existing approaches on all three classes, despite their use of domain-specific instance generators.
• Abstract（参考訳）: 一般化は、データからオプティマイザをトレーニングする際の中核的な目標である。 しかしながら、限られたトレーニングインスタンスは、トレーニングされたオプティマイザの一般化能力を制約することが多い。 並列アルゴリズムポートフォリオ(PAP)とインスタンスの集団を同時に進化させ、最終的に優れた一般化を伴うPAPを得るという、共進化的アプローチがこの課題に対処する。 しかし、特定の問題クラスに適用する場合、これらのアプローチには大きな制限がある。 彼らは、イシュークラスに特化されたインスタンスジェネレータを提供することを実践者に要求します。 本研究は,パラメータ化探索(DACE)のドメイン非依存共進化(ドメイン非依存共進化)を,決定変数が0または1の値を取る二項最適化問題に対して提案する。 DACEの重要なイノベーションは、ニューラルネットワークベースのドメインに依存しないインスタンス表現と生成メカニズムであり、ドメイン固有のインスタンスジェネレータの必要性を排除している。 DACEの強い一般化は、補完的影響最大化問題(CIMP)、コンパイラ引数最適化問題(CAOP)、汚染制御問題(CCP)の3つの実世界のバイナリ最適化問題で検証されている。 DACEはドメインの知識を必要とせずに、これらのクラスからのトレーニングインスタンスの小さなセットだけを前提に、ドメイン固有のインスタンスジェネレータを使用しながらも、既存の3つのクラスでのアプローチよりも優れた一般化性能のPAPを構築している。

関連論文リスト

• Simultaneous and Meshfree Topology Optimization with Physics-informed Gaussian Processes [0.0]
  トポロジ最適化(TO)は、その物質空間分布を予め定義された領域で設計し、制約の集合に従うことによって、構造の性能を最適化する原理的な数学的アプローチを提供する。 我々は,ガウス過程(GP)の枠組みに基づく新しいTO手法を開発し,その平均関数はディープニューラルネットワークを介してパラメータ化される。 本手法を商用ソフトウェアに実装した従来のTO手法に対して検証するため,ストークスフローにおける消散電力の最小化を含む4つの問題に対して評価を行った。
  論文  参考訳（メタデータ） (2024-08-07T01:01:35Z)
• Combinatorial Optimization with Policy Adaptation using Latent Space Search [44.12073954093942]
  本稿では,複雑なNPハード問題を解くために,パフォーマンスアルゴリズムを設計するための新しいアプローチを提案する。 我々の検索戦略は11の標準ベンチマークタスクにおける最先端のアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-13T12:24:54Z)
• Domain-Expanded ASTE: Rethinking Generalization in Aspect Sentiment Triplet Extraction [67.54420015049732]
  Aspect Sentiment Triplet extract (ASTE) は感情分析における課題であり、人間の感情に対するきめ細かい洞察を提供することを目的としている。 既存のベンチマークは2つのドメインに限定されており、目に見えないドメイン上でのモデルパフォーマンスを評価しない。 各種ドメインのサンプルに注釈を付けることでドメイン拡張ベンチマークを導入し,ドメイン内設定とドメイン外設定の両方でモデルの評価を可能にする。
  論文  参考訳（メタデータ） (2023-05-23T18:01:49Z)
• Generalized Few-Shot Continual Learning with Contrastive Mixture of Adapters [59.82088750033897]
  我々は,クラスおよびドメインインクリメンタルな状況を含む汎用FSCL (GFSCL) プロトコルを構築した。 一般的な連続学習手法は、目に見えない領域に一般化能力が乏しいことが判明した。 このようにして、視覚変換器(ViT)に基づくリハーサルフリーフレームワークであるContrastive Mixture of Adapters(CMoA)を提案する。
  論文  参考訳（メタデータ） (2023-02-12T15:18:14Z)
• Localized Adversarial Domain Generalization [83.4195658745378]
  対数領域の一般化は、領域の一般化に対する一般的なアプローチである。 空間コンパクト性維持(LADG)を用いた局所対向領域の一般化を提案する。 我々はWilds DGベンチマークで包括的な実験を行い、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2022-05-09T08:30:31Z)
• Faster Algorithm and Sharper Analysis for Constrained Markov Decision Process [56.55075925645864]
  制約付き意思決定プロセス (CMDP) の問題点について検討し, エージェントは, 複数の制約を条件として, 期待される累積割引報酬を最大化することを目的とする。 新しいユーティリティ・デュアル凸法は、正規化ポリシー、双対正則化、ネステロフの勾配降下双対という3つの要素の新たな統合によって提案される。 これは、凸制約を受ける全ての複雑性最適化に対して、非凸CMDP問題が$mathcal O (1/epsilon)$の低い境界に達する最初の実演である。
  論文  参考訳（メタデータ） (2021-10-20T02:57:21Z)
• Model-Based Domain Generalization [96.84818110323518]
  本稿では,モデルベースドメイン一般化問題に対する新しいアプローチを提案する。 我々のアルゴリズムは、最新のwildsベンチマークの最先端手法を最大20ポイント上回った。
  論文  参考訳（メタデータ） (2021-02-23T00:59:02Z)
• Causal Policy Gradients [6.123324869194195]
  因果ポリシー勾配(CPG)は、重要な最先端アルゴリズムを分析する共通のフレームワークを提供する。 CPGは従来の政策の勾配を一般化し、問題領域の生成過程の事前知識を組み込む原則的な方法をもたらす。
  論文  参考訳（メタデータ） (2021-02-20T14:51:12Z)
• Population-Based Methods: PARTICLE SWARM OPTIMIZATION -- Development of a General-Purpose Optimizer and Applications [0.0]
  この論文は、不等式制約を受ける連続、静的、単目的の最適化問題に関係している。 粒子群最適化のパラダイムは、社会で観察された協調行動の以前のシミュレーションから着想を得たものである。
  論文  参考訳（メタデータ） (2021-01-25T09:36:25Z)
• Cross-Domain Structure Preserving Projection for Heterogeneous Domain Adaptation [23.18781318003242]
  Heterogeneous Domain Adaptation (HDA)は、ソースドメインとターゲットドメインのデータが異なるモダリティを持つ転送学習問題に対処する。 伝統的なドメイン適応アルゴリズムは、ソースとターゲットサンプルの表現が同じ特徴空間にあると仮定する。 本稿では,HDAのためのCDSPP(Cross-Domain Structure Preserving Projection)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-26T16:22:28Z)
• Polynomial-Time Exact MAP Inference on Discrete Models with Global Dependencies [83.05591911173332]
  ジャンクションツリーアルゴリズムは、実行時の保証と正確なMAP推論のための最も一般的な解である。 本稿では,ノードのクローン化による新たなグラフ変換手法を提案する。
  論文  参考訳（メタデータ） (2019-12-27T13:30:29Z)

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。