Fugu-MT 論文翻訳(概要): Optimization on black-box function by parameter-shift rule

論文の概要: Optimization on black-box function by parameter-shift rule

arxiv url: http://arxiv.org/abs/2503.13545v1
Date: Sun, 16 Mar 2025 11:35:31 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-19 14:15:16.636089
Title: Optimization on black-box function by parameter-shift rule
Title（参考訳）: パラメータシフト法によるブラックボックス関数の最適化
Authors: Vu Tuan Hai,
Abstract要約: 本稿では,元来パラメータシフト則と呼ばれる量子コンピューティングから得られたゼロ階法を提案する。本研究では,元来パラメータシフト則と呼ばれる量子コンピューティングから得られたゼロ階法を提案する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Machine learning has been widely applied in many aspects, but training a machine learning model is increasingly difficult. There are more optimization problems named "black-box" where the relationship between model parameters and outcomes is uncertain or complex to trace. Currently, optimizing black-box models that need a large number of query observations and parameters becomes difficult. To overcome the drawbacks of the existing algorithms, in this study, we propose a zeroth-order method that originally came from quantum computing called the parameter-shift rule, which has used a lesser number of parameters than previous methods.
Abstract（参考訳）: 機械学習は多くの面で広く適用されていますが、マシンラーニングモデルのトレーニングはますます困難になっています。ブラックボックス」と呼ばれる、モデルパラメータと結果の関係が不確かで、追跡が難しい最適化問題もある。現在,多数のクエリ観測とパラメータを必要とするブラックボックスモデルの最適化は困難である。既存のアルゴリズムの欠点を克服するため,本研究では,パラメータシフト則と呼ばれる量子コンピューティングから派生したゼロ階法を提案する。

関連論文リスト

Learning Joint Models of Prediction and Optimization [56.04498536842065]
Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
論文参考訳（メタデータ） (2024-09-07T19:52:14Z)
End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文参考訳（メタデータ） (2024-02-12T16:33:35Z)
Multi-fidelity Constrained Optimization for Stochastic Black Box Simulators [1.6385815610837167]
上記の問題に対処するために、Scout-Nd (Stochastic Constrained Optimization for N dimensions) アルゴリズムを導入する。 Scout-Ndは効率よく勾配を推定し、推定器勾配のノイズを低減し、計算労力をさらに削減するために多重忠実性スキームを適用する。提案手法を標準ベンチマークで検証し,既存の手法よりも優れた性能を示すパラメータの最適化の有効性を示す。
論文参考訳（メタデータ） (2023-11-25T23:36:38Z)
Predict-Then-Optimize by Proxy: Learning Joint Models of Prediction and Optimization [59.386153202037086]
Predict-Then-フレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。このアプローチは非効率であり、最適化ステップを通じてバックプロパゲーションのための手作りの、問題固有のルールを必要とする。本稿では,予測モデルを用いて観測可能な特徴から最適解を直接学習する手法を提案する。
論文参考訳（メタデータ） (2023-11-22T01:32:06Z)
Quasi Black-Box Variational Inference with Natural Gradients for Bayesian Learning [84.90242084523565]
複素モデルにおけるベイズ学習に適した最適化アルゴリズムを開発した。我々のアプローチは、モデル固有導出に制限のある効率的なトレーニングのための一般的なブラックボックスフレームワーク内の自然な勾配更新に依存している。
論文参考訳（メタデータ） (2022-05-23T18:54:27Z)
Non-smooth Bayesian Optimization in Tuning Problems [5.768843113172494]
代理モデルの構築は、未知のブラックボックス関数を学習しようとする場合の一般的なアプローチである。クラスター化ガウス過程 (cGP) と呼ばれる新しい加法的ガウス過程モデルを提案し, 加法的成分はクラスタリングによって誘導される。調査した例では、反復実験で最大90%の性能向上が可能である。
論文参考訳（メタデータ） (2021-09-15T20:22:09Z)
Bayesian Optimisation for Constrained Problems [0.0]
本稿では,制約を扱える知恵グラディエント獲得関数の新たな変種を提案する。我々は、このアルゴリズムを、他の4つの最先端制約されたベイズ最適化アルゴリズムと比較し、その優れた性能を実証する。
論文参考訳（メタデータ） (2021-05-27T15:43:09Z)
Neural Process for Black-Box Model Optimization Under Bayesian Framework [7.455546102930911]
ブラックボックスモデルは、内部動作の知識がなくても、入力と出力の観点でしか見ることができないため、一般に名前がつけられる。そのような問題を解決するための強力なアルゴリズムの1つは、最高のパフォーマンスにつながるモデルパラメータを効果的に推定できるベイズ最適化です。 GPが多くの観測やパラメーターを持つ必要のあるブラックボックスモデルを最適化することは困難である。ニューラルプロセスを用いたベイズ最適化アルゴリズムをサーロゲートモデルとして提案し,ブラックボックスモデル最適化を行う。
論文参考訳（メタデータ） (2021-04-03T23:35:26Z)
Combinatorial Black-Box Optimization with Expert Advice [28.45580493454314]
ハイパーキューブ上でのブラックボックス関数最適化の問題点を考察する。本稿では,マルチリニアと指数重み更新に基づく計算効率のよいモデル学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-06T20:26:19Z)
Implicit differentiation of Lasso-type models for hyperparameter optimization [82.73138686390514]
ラッソ型問題に適した行列逆転のない効率的な暗黙微分アルゴリズムを提案する。提案手法は,解の空間性を利用して高次元データにスケールする。
論文参考訳（メタデータ） (2020-02-20T18:43:42Z)
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。