論文の概要: Accurate Peak Detection in Multimodal Optimization via Approximated Landscape Learning

• arxiv url: http://arxiv.org/abs/2503.18066v1
• Date: Sun, 23 Mar 2025 13:21:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:38:30.884247
• Title: Accurate Peak Detection in Multimodal Optimization via Approximated Landscape Learning
• Title（参考訳）: 近似ランドスケープ学習によるマルチモーダル最適化における高精度ピーク検出
• Authors: Zeyuan Ma, Hongqiao Lian, Wenjie Qiu, Yue-Jiao Gong,
• Abstract要約: 本稿では,ランドスケープ知識をフル活用してピーク検出を容易にする,APDMMO(APDMMO)と呼ばれるMMOPに適した新しい最適化フレームワークを提案する。 具体的には,まず,多様なMMOPの回帰精度を向上させるために,非線形アクティベーションユニット群をアンサンブルする新しいサロゲートランドスケープモデルを設計する。 そこで本研究では,学習したサロゲートランドスケープモデルに基づくバックプロパゲーションにより,潜在的ピーク領域を効率的に検出する自由度ピーク検出手法を提案する。
• 参考スコア（独自算出の注目度）: 8.839347987566336
• License:
• Abstract: Detecting potential optimal peak areas and locating the accurate peaks in these areas are two major challenges in Multimodal Optimization problems (MMOPs). To address them, much efforts have been spent on developing novel searching operators, niching strategies and multi-objective problem transformation pipelines. Though promising, existing approaches more or less overlook the potential usage of landscape knowledge. In this paper, we propose a novel optimization framework tailored for MMOPs, termed as APDMMO, which facilitates peak detection via fully leveraging the landscape knowledge and hence capable of providing strong optimization performance on MMOPs. Specifically, we first design a novel surrogate landscape model which ensembles a group of non-linear activation units to improve the regression accuracy on diverse MMOPs. Then we propose a free-of-trial peak detection method which efficiently locates potential peak areas through back-propagation on the learned surrogate landscape model. Based on the detected peak areas, we employ SEP-CMAES for local search within these areas in parallel to further improve the accuracy of the found optima. Extensive benchmarking results demonstrate that APDMMO outperforms several up-to-date baselines. Further ablation studies verify the effectiveness of the proposed novel designs. The source-code is available at ~\href{}{https://github.com/GMC-DRL/APDMMO}.
• Abstract（参考訳）: これらの領域における最適ピーク領域の検出と正確なピークの特定は、MMOP(Multimodal Optimization problem)における2つの大きな課題である。 これらの問題に対処するため、新しい探索演算子の開発、ニッチ戦略、多目的問題変換パイプラインの開発に多くの努力が費やされている。 有望ではあるが、既存のアプローチは、ランドスケープ知識の潜在的使用をほとんど見落としている。 本稿では,ランドスケープの知識を十分に活用することでピーク検出を容易にし,MMOP上での強力な最適化性能を実現する,MMOPに適した新しい最適化フレームワークを提案する。 具体的には,まず,多様なMMOPの回帰精度を向上させるために,非線形アクティベーションユニット群をアンサンブルする新しいサロゲートランドスケープモデルを設計する。 そこで本研究では,学習したサロゲートランドスケープモデルに基づくバックプロパゲーションにより,潜在的ピーク領域を効率的に検出する自由度ピーク検出手法を提案する。 検出したピーク領域に基づいて,これらの領域内の局所探索にSEP-CMAESを並列に使用し,検出したオプティマの精度をさらに向上する。 大規模なベンチマークの結果は、APDMMOがいくつかの最新のベースラインを上回っていることを示している。 さらなるアブレーション研究により,提案した新規設計の有効性が検証された。 ソースコードは ~\href{}{https://github.com/GMC-DRL/APDMMO} で入手できる。

関連論文リスト

• CHiP: Cross-modal Hierarchical Direct Preference Optimization for Multimodal LLMs [107.21334626890713]
  MLLM(Multimodal Large Language Models)は、その優れた能力にもかかわらず、幻覚に苦しむ。 本稿では,これらの制約に対処するクロスモーダル階層型直接選好最適化(CHiP)を提案する。 定量的および定性的な分析によってCHiPを評価し,幻覚の低減効果を複数のベンチマークで実証した。
  論文  参考訳（メタデータ） (2025-01-28T02:05:38Z)
• Language-Based Bayesian Optimization Research Assistant (BORA) [0.0]
  ドメイン知識のコンテキスト化は、実りある領域の探索をガイドする強力なアプローチである。 本稿では,検索最適化における言語モデル (LLM) の利用を提案する。
  論文  参考訳（メタデータ） (2025-01-27T17:20:04Z)
• A Landscape-Aware Differential Evolution for Multimodal Optimization Problems [54.50341106632738]
  マルチモーダル最適化問題(MMOP)を解く上では,複数のグローバルピークを同時に検出し,検出したピーク上で一定の精度を達成する方法が重要な2つの課題である。 本稿では,ランドスケープ・アウェア・ディファレンシャル・進化(LADE)アルゴリズムを提案する。 LADEは、最近提案された7つの高性能アルゴリズムと、マルチモーダル最適化のためのIEEE CECコンペティションにおける4つの勝者アルゴリズムと比較して、一般的に良い、あるいは競争的な性能が得られることを示した。
  論文  参考訳（メタデータ） (2024-08-05T09:37:55Z)
• RLEMMO: Evolutionary Multimodal Optimization Assisted By Deep Reinforcement Learning [8.389454219309837]
  マルチモーダル最適化問題 (MMOP) は, 限られた関数評価において困難となる最適解の探索を必要とする。 本稿では,メタブラックボックス最適化フレームワークであるRLEMMOを提案する。 品質と多様性の両方を促進する新しい報酬メカニズムにより、RLEMMOはポリシー勾配アルゴリズムを用いて効果的に訓練できる。
  論文  参考訳（メタデータ） (2024-04-12T05:02:49Z)
• Surpassing legacy approaches to PWR core reload optimization with single-objective Reinforcement learning [0.0]
  単目的および多目的の最適化のための深層強化学習(DRL)に基づく手法を開発した。 本稿では、PPO(Proximal Policy Optimization)を用いて、RLに基づくアプローチの利点を実証する。 PPOは学習可能なウェイトを持つポリシーで検索機能を適応し、グローバル検索とローカル検索の両方として機能する。
  論文  参考訳（メタデータ） (2024-02-16T19:35:58Z)
• Let's reward step by step: Step-Level reward model as the Navigators for Reasoning [64.27898739929734]
  Process-Supervised Reward Model (PRM)は、トレーニングフェーズ中にステップバイステップのフィードバックをLLMに提供する。 LLMの探索経路を最適化するために,PRMからのステップレベルのフィードバックを応用した欲求探索アルゴリズムを提案する。 提案手法の汎用性を探るため,コーディングタスクのステップレベル報酬データセットを自動生成する手法を開発し,コード生成タスクにおける同様の性能向上を観察する。
  論文  参考訳（メタデータ） (2023-10-16T05:21:50Z)
• Learning Regions of Interest for Bayesian Optimization with Adaptive Level-Set Estimation [84.0621253654014]
  本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。 理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
  論文  参考訳（メタデータ） (2023-07-25T09:45:47Z)
• Rectified Max-Value Entropy Search for Bayesian Optimization [54.26984662139516]
  我々は、相互情報の概念に基づいて、修正されたMES取得関数を開発する。 その結果、RMESは、いくつかの合成関数ベンチマークと実世界の最適化問題において、MESよりも一貫した改善を示している。
  論文  参考訳（メタデータ） (2022-02-28T08:11:02Z)
• Learning Space Partitions for Path Planning [54.475949279050596]
  PlaLaMは2次元ナビゲーションタスクにおける既存の経路計画手法よりも優れており、特に難解な局所最適化の存在下では優れている。 これらは高マルチモーダルな実世界のタスクに移行し、コンパイラフェーズでは最大245%、分子設計では最大0.4の強いベースラインを0-1スケールで上回ります。
  論文  参考訳（メタデータ） (2021-06-19T18:06:11Z)
• Domain Adaptive Person Re-Identification via Coupling Optimization [58.567492812339566]
  ドメイン適応型人物再識別(ReID)は、ドメインのギャップとターゲットシナリオに対するアノテーションの不足のために困難である。 本稿では,ドメイン不変写像 (DIM) 法とグローバル局所距離最適化 (GLO) を含む結合最適化手法を提案する。 GLOはターゲットドメインの教師なし設定でReIDモデルをトレーニングするために設計されている。
  論文  参考訳（メタデータ） (2020-11-06T14:01:03Z)

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。