Fugu-MT 論文翻訳(概要): Neural Genetic Search in Discrete Spaces

論文の概要: Neural Genetic Search in Discrete Spaces

arxiv url: http://arxiv.org/abs/2502.10433v1
Date: Sun, 09 Feb 2025 01:26:49 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-02 03:23:10.755508
Title: Neural Genetic Search in Discrete Spaces
Title（参考訳）: 離散空間におけるニューラル遺伝的探索
Authors: Hyeonah Kim, Sanghyeok Choi, Jiwoo Son, Jinkyoo Park, Changhyun Kwon,
Abstract要約: 我々は新しいテスト時間探索法であるニューラル・ジェネティック・サーチ(NGS)を導入する。 NGSは、遺伝的アルゴリズムの進化のメカニズムを深層モデルの生成手順に組み込んでいる。このアプローチは、深層生成モデルのための汎用的で実装が容易な探索アルゴリズムを提供する。
参考スコア（独自算出の注目度）: 14.666165546724159
License:
Abstract: Effective search methods are crucial for improving the performance of deep generative models at test time. In this paper, we introduce a novel test-time search method, Neural Genetic Search (NGS), which incorporates the evolutionary mechanism of genetic algorithms into the generation procedure of deep models. The core idea behind NGS is its crossover, which is defined as parent-conditioned generation using trained generative models. This approach offers a versatile and easy-to-implement search algorithm for deep generative models. We demonstrate the effectiveness and flexibility of NGS through experiments across three distinct domains: routing problems, adversarial prompt generation for language models, and molecular design.
Abstract（参考訳）: 効率的な探索法は,テスト時の深部生成モデルの性能向上に不可欠である。本稿では,遺伝的アルゴリズムの進化的メカニズムを深層モデルの生成手順に組み込んだ新しい試験時間探索手法であるニューラル・ジェネティック・サーチ(NGS)を提案する。 NGSの基本的な考え方はクロスオーバー(英語版)であり、これは訓練された生成モデルを用いて親条件付き生成として定義される。このアプローチは、深層生成モデルのための汎用的で実装が容易な探索アルゴリズムを提供する。我々は、ルーティング問題、言語モデルに対する対角的プロンプト生成、分子設計という3つの異なる領域にわたる実験を通して、NGSの有効性と柔軟性を実証する。

関連論文リスト

GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
本研究では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデルを提案する。このモデルは分子生物学の中心的なドグマに固執し、タンパク質のコード配列を正確に生成する。また、特にプロモーター配列の即応的な生成を通じて、シーケンス最適化において大きな可能性を示している。
論文参考訳（メタデータ） (2025-02-11T05:39:49Z)
Heuristically Adaptive Diffusion-Model Evolutionary Strategy [1.8299322342860518]
拡散モデル(Diffusion Models)は、生成モデルにおいて重要な進歩を示す。本研究は,拡散モデルと進化的アルゴリズムの基本的な関係を明らかにする。我々のフレームワークは、進化的最適化プロセスにおいて、柔軟性、精度、制御性を高めたアルゴリズム上の大きな遷移を示す。
論文参考訳（メタデータ） (2024-11-20T16:06:28Z)
Neural Lineage [56.34149480207817]
本稿では,親子間の系統関係の発見を目的としたニューラルライン検出という新しいタスクを提案する。実用上,ニューラルネットワーク表現類似度指標に微調整プロセスの近似を組み込んだ学習自由アプローチを導入する。精度を追求するために,エンコーダと変圧器検出器からなる学習系系統検出装置を導入する。
論文参考訳（メタデータ） (2024-06-17T01:11:53Z)
Discovering Physics-Informed Neural Networks Model for Solving Partial Differential Equations through Evolutionary Computation [5.8407437499182935]
本稿では,より高い近似精度と高速収束率を持つPINNモデルの探索を目的とした進化的計算手法を提案する。実験では、ベイズ最適化、ランダム探索、進化を通じて探索される異なるモデルの性能を比較して、クライン=ゴルドン方程式、バーガー方程式、ラム方程式を解く。
論文参考訳（メタデータ） (2024-05-18T07:32:02Z)
An automatic selection of optimal recurrent neural network architecture for processes dynamics modelling purposes [0.0]
この研究には、ニューラルネットワークアーキテクチャ検索専用のアルゴリズムの提案が4つ含まれている。アルゴリズムは進化的アルゴリズムや勾配降下法のようなよく知られた最適化手法に基づいている。この研究は、加圧水型原子炉で発生した高速過程の数学的モデルから生成されたデータに基づく、拡張された検証研究を含む。
論文参考訳（メタデータ） (2023-09-25T11:06:35Z)
A Survey on Generative Diffusion Model [75.93774014861978]
拡散モデルは、深層生成モデルの新たなクラスである。時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
論文参考訳（メタデータ） (2022-09-06T16:56:21Z)
JANUS: Parallel Tempered Genetic Algorithm Guided by Deep Neural Networks for Inverse Molecular Design [1.6114012813668934]
逆分子設計、すなわち特定の目的特性を持つ分子を設計することは最適化問題として考えられる。ジャヌス (Janus) は、2つの個体群を伝播させ、もう1つは探索用、もう1つは搾取用の遺伝的アルゴリズムである。 Janusは、化学空間のサンプリングを増強するために能動的学習を通じて分子特性を近似するディープニューラルネットワークによって強化される。
論文参考訳（メタデータ） (2021-06-07T23:41:34Z)
Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文参考訳（メタデータ） (2021-06-05T01:31:51Z)
AdaLead: A simple and robust adaptive greedy search algorithm for sequence design [55.41644538483948]
我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。 AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
論文参考訳（メタデータ） (2020-10-05T16:40:38Z)
Factorized Deep Generative Models for Trajectory Generation with Spatiotemporal-Validity Constraints [10.960924101404498]
軌跡データの深い生成モデルは、洗練された潜伏パターンの表現的説明モデルを学ぶことができる。まず、時間不変変数と時間不変変数を分解する新しい深部生成モデルを提案する。そこで我々は,時間的妥当性に対する変動推論と制約付き最適化に基づく新しい推論戦略を開発した。
論文参考訳（メタデータ） (2020-09-20T02:06:36Z)
Guiding Deep Molecular Optimization with Genetic Exploration [79.50698140997726]
本稿では,深層ニューラルネットワーク(DNN)を訓練し,高次分子を生成する,遺伝的専門家誘導学習(GEGL)を提案する。大規模な実験により、GEGLは最先端の手法よりも大幅に改善されていることが示された。
論文参考訳（メタデータ） (2020-07-04T05:01:26Z)

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。