論文の概要: PlatMetaX: An Integrated MATLAB platform for Meta-Black-Box Optimization

• arxiv url: http://arxiv.org/abs/2503.22722v1
• Date: Wed, 26 Mar 2025 02:03:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:39:30.329684
• Title: PlatMetaX: An Integrated MATLAB platform for Meta-Black-Box Optimization
• Title（参考訳）: PlatMetaX:メタブラックボックス最適化のための統合MATLABプラットフォーム
• Authors: Xu Yang, Rui Wang, Kaiwen Li, Wenhua Li, Tao Zhang, Fujun He,
• Abstract要約: 最適化アルゴリズムの開発,評価,比較を行う新しいプラットフォームであるPlatMetaXを提案する。 PlatMetaXはMetaBoxとPlatEMOの強みを統合し、最適化アルゴリズムの開発、評価、比較のための包括的なフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 13.141855165689448
• License:
• Abstract: The landscape of optimization problems has become increasingly complex, necessitating the development of advanced optimization techniques. Meta-Black-Box Optimization (MetaBBO), which involves refining the optimization algorithms themselves via meta-learning, has emerged as a promising approach. Recognizing the limitations in existing platforms, we presents PlatMetaX, a novel MATLAB platform for MetaBBO with reinforcement learning. PlatMetaX integrates the strengths of MetaBox and PlatEMO, offering a comprehensive framework for developing, evaluating, and comparing optimization algorithms. The platform is designed to handle a wide range of optimization problems, from single-objective to multi-objective, and is equipped with a rich set of baseline algorithms and evaluation metrics. We demonstrate the utility of PlatMetaX through extensive experiments and provide insights into its design and implementation. PlatMetaX is available at: \href{https://github.com/Yxxx616/PlatMetaX}{https://github.com/Yxxx616/PlatMetaX}.
• Abstract（参考訳）: 最適化問題の展望はますます複雑化しており、高度な最適化技術の開発が必要である。 Meta-Black-Box Optimization (MetaBBO)は、メタラーニングによって最適化アルゴリズム自体を精錬するものである。 既存のプラットフォームにおける制限を認識したPlatMetaXは、強化学習を備えたMetaBBOのための新しいMATLABプラットフォームである。 PlatMetaXはMetaBoxとPlatEMOの強みを統合し、最適化アルゴリズムの開発、評価、比較のための包括的なフレームワークを提供する。 このプラットフォームは、単一目的から多目的まで幅広い最適化問題に対処するために設計されており、豊富なベースラインアルゴリズムと評価指標を備えている。 広範な実験を通じてPlatMetaXの実用性を実証し、その設計と実装に関する洞察を提供する。 PlatMetaXは以下の通り。 \href{https://github.com/Yxxx616/PlatMetaX}{https://github.com/Yxxx616/PlatMetaX}。

関連論文リスト

• Symbol: Generating Flexible Black-Box Optimizers through Symbolic Equation Learning [16.338146844605404]
  シンボル方程式学習によるブラックボックスの自動発見を促進するフレームワークであるtextscSymbolを提案する。 具体的には、閉形式最適化ルールを動的に生成できる記号方程式生成器(SEG)を提案する。 大規模な実験により、textscSymbolによって生成される一般化は最先端のBBOやMetaBBOのベースラインを超えるだけでなく、例外的なゼロショット能力を示すことが明らかになった。
  論文  参考訳（メタデータ） (2024-02-04T05:41:27Z)
• Contextual Stochastic Bilevel Optimization [50.36775806399861]
  文脈情報と上層変数の期待を最小化する2レベル最適化フレームワークCSBOを導入する。 メタラーニング、パーソナライズドラーニング、エンド・ツー・エンドラーニング、Wassersteinはサイド情報(WDRO-SI)を分散的に最適化している。
  論文  参考訳（メタデータ） (2023-10-27T23:24:37Z)
• MetaBox: A Benchmark Platform for Meta-Black-Box Optimization with Reinforcement Learning [25.687304354503148]
  MetaBBO-RLメソッドの開発と評価に特化した,最初のベンチマークプラットフォームであるMetaBoxを紹介する。 MetaBoxはフレキシブルなアルゴリズムテンプレートを提供しており、ユーザーはプラットフォーム内で独自のデザインをシームレスに実装することができる。 合成シナリオから現実シナリオまで,300を超える問題インスタンスの幅広いスペクトルと,19のベースラインメソッドの広範なライブラリを提供する。
  論文  参考訳（メタデータ） (2023-10-12T11:55:17Z)
• DAC-MR: Data Augmentation Consistency Based Meta-Regularization for Meta-Learning [55.733193075728096]
  メタ学習を改善するメタ知識情報メタラーニング(MKIML)フレームワークを提案する。 適切なメタレギュラー化(MR)目標を用いて,メタ知識をメタオブジェクトに統合する。 提案したDAC-MRは、ノイズ、スパース、あるいは利用できないメタデータのトレーニングタスクから、良好なパフォーマンスのメタモデルを学ぶことを期待している。
  論文  参考訳（メタデータ） (2023-05-13T11:01:47Z)
• Meta Mirror Descent: Optimiser Learning for Fast Convergence [85.98034682899855]
  我々は、勾配降下ではなくミラー降下から始まり、対応するブレグマン発散をメタラーニングする。 このパラダイム内では、後悔の限界を最小化するための新しいメタ学習目標を定式化する。 多くのメタ学習オプティマイザとは異なり、収束と一般化の保証もサポートしており、検証データを必要としない。
  論文  参考訳（メタデータ） (2022-03-05T11:41:13Z)
• Meta-Learning with Neural Tangent Kernels [58.06951624702086]
  メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。 このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。 本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
  論文  参考訳（メタデータ） (2021-02-07T20:53:23Z)
• MetaMix: Improved Meta-Learning with Interpolation-based Consistency Regularization [14.531741503372764]
  バックボーンモデルを正規化するためのMetaMixという手法を提案する。 各エピソード内で仮想フィーチャとターゲットのペアを生成し、バックボーンモデルを標準化する。 任意のMAMLベースのアルゴリズムと統合でき、新しいタスクをより一般化した決定境界を学ぶことができる。
  論文  参考訳（メタデータ） (2020-09-29T02:44:13Z)
• BOML: A Modularized Bilevel Optimization Library in Python for Meta Learning [52.90643948602659]
  BOMLはモジュール化された最適化ライブラリで、いくつかのメタ学習アルゴリズムを共通の双方向最適化フレームワークに統合する。 さまざまなイテレーションモジュールとともに階層的な最適化パイプラインを提供し、メタ学習メソッドの主流カテゴリを解決するために使用できる。
  論文  参考訳（メタデータ） (2020-09-28T14:21:55Z)
• Guarantees for Tuning the Step Size using a Learning-to-Learn Approach [18.838453594698166]
  ステップサイズを2次的損失に調整する簡単な問題に対して、学習から学習までのアプローチに対してメタ最適化を保証する。 メタ・グラディエント・オブジェクトを設計してメタ・グラディエントを束縛したままにしておく方法はあるが、バックプロパゲーションを用いて直接メタ・グラディエントを計算すれば、数値的な問題が発生する。 また,メタオブジェクトを別個の検証セットで計算し,学習性能を確保する必要がある場合の特徴付けを行う。
  論文  参考訳（メタデータ） (2020-06-30T02:59:35Z)
• On the Global Optimality of Model-Agnostic Meta-Learning [133.16370011229776]
  モデル・ア・メタラーニング(MAML)は、メタラーニングを二段階最適化問題として定式化し、内部レベルが各サブタスクを、共有された事前に基づいて解決する。 学習と教師あり学習の両方においてMAMLが達成した定常点の最適性を特徴付ける。
  論文  参考訳（メタデータ） (2020-06-23T17:33:14Z)

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。