論文の概要: A Standardized Benchmark Set of Clustering Problem Instances for Comparing Black-Box Optimizers
- arxiv url: http://arxiv.org/abs/2505.09233v1
- Date: Wed, 14 May 2025 09:16:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-15 21:44:09.407084
- Title: A Standardized Benchmark Set of Clustering Problem Instances for Comparing Black-Box Optimizers
- Title（参考訳）: ブラックボックス最適化器比較のためのクラスタリング問題インスタンスの標準化ベンチマークセット
- Authors: Diederick Vermetten, Catalin-Viorel Dinu, Marcus Gallagher,
- Abstract要約: データクラスタリング問題に基づく連続ブラックボックス最適化アルゴリズムの評価のための標準ベンチマークスイートを提案する。
我々のベンチマークセットはオープンソースであり、将来の研究での使用を促進するため、IOH prominentrベンチマークフレームワークと統合されています。
- 参考スコア（独自算出の注目度）: 1.8133635942659796
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One key challenge in optimization is the selection of a suitable set of benchmark problems. A common goal is to find functions which are representative of a class of real-world optimization problems in order to ensure findings on the benchmarks will translate to relevant problem domains. While some problem characteristics are well-covered by popular benchmarking suites, others are often overlooked. One example of such a problem characteristic is permutation invariance, where the search space consists of a set of symmetrical search regions. This type of problem occurs e.g. when a set of solutions has to be found, but the ordering within this set does not matter. The data clustering problem, often seen in machine learning contexts, is a clear example of such an optimization landscape, and has thus been proposed as a base from which optimization benchmarks can be created. In addition to the symmetry aspect, these clustering problems also contain potential regions of neutrality, which can provide an additional challenge to optimization algorithms. In this paper, we present a standardized benchmark suite for the evaluation of continuous black-box optimization algorithms, based on data clustering problems. To gain insight into the diversity of the benchmark set, both internally and in comparison to existing suites, we perform a benchmarking study of a set of modular CMA-ES configurations, as well as an analysis using exploratory landscape analysis. Our benchmark set is open-source and integrated with the IOHprofiler benchmarking framework to encourage its use in future research.
- Abstract（参考訳）: 最適化における重要な課題の1つは、適切なベンチマーク問題の選択である。
一般的なゴールは、ベンチマークでの発見が関連する問題領域に変換されることを保証するために、現実世界の最適化問題の代表となる関数を見つけることである。
いくつかの問題の特徴は人気のあるベンチマークスイートによってよく発見されているが、他の問題はしばしば見過ごされている。
そのような問題の特徴の1つの例は置換不変性であり、探索空間は対称探索領域の集合からなる。
この種の問題は、例えば、一組の解を見つける必要があるときに発生するが、この集合内の順序付けは重要ではない。
機械学習の文脈でよく見られるデータクラスタリング問題は、そのような最適化のランドスケープの明確な例であり、最適化ベンチマークを作成するための基盤として提案されている。
対称性の側面に加えて、これらのクラスタリング問題は中立性の潜在的な領域も含み、最適化アルゴリズムにさらなる課題をもたらす可能性がある。
本稿では,データクラスタリング問題に基づく連続ブラックボックス最適化アルゴリズムの評価のための標準ベンチマークスイートを提案する。
内部および既存のスイートと比較して,ベンチマークセットの多様性に関する知見を得るため,モジュール型CMA-ES構成のベンチマークと,探索的景観解析を用いた解析を行う。
我々のベンチマークセットはオープンソースであり、将来の研究での使用を促進するため、IOH prominentrベンチマークフレームワークと統合されています。
関連論文リスト
- Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。
赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
論文 参考訳（メタデータ） (2024-06-21T05:57:08Z) - Exploratory Landscape Analysis for Mixed-Variable Problems [0.7252027234425334]
決定空間が連続変数、バイナリ変数、整数変数、カテゴリー変数の混合である混合変数問題に対する探索的景観特徴を計算する手段を提供する。
実用化のためのメリットをさらに強調するため,自動アルゴリズム選択研究を設計・実施する。
トレーニングされたアルゴリズムセレクタは、すべてのベンチマーク問題に対して、単一のベストと仮想ベストのギャップを57.5%縮めることができる。
論文 参考訳（メタデータ） (2024-02-26T10:19:23Z) - Exploring the Algorithm-Dependent Generalization of AUPRC Optimization
with List Stability [107.65337427333064]
AUPRC(Area Under the Precision-Recall Curve)の最適化は、機械学習にとって重要な問題である。
本研究では, AUPRC最適化の単依存一般化における最初の試行について述べる。
3つの画像検索データセットの実験は、我々のフレームワークの有効性と健全性に言及する。
論文 参考訳（メタデータ） (2022-09-27T09:06:37Z) - Tree ensemble kernels for Bayesian optimization with known constraints
over mixed-feature spaces [54.58348769621782]
木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。
ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。
我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
論文 参考訳（メタデータ） (2022-07-02T16:59:37Z) - A unified surrogate-based scheme for black-box and preference-based
optimization [2.561649173827544]
ブラックボックスと嗜好に基づく最適化問題は密接に関連しており、同じアプローチのファミリを用いて解決可能であることを示す。
一般的なMSRSフレームワークを一般化した最適化手法である一般化されたメトリック応答面(gMRS)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-02-03T08:47:54Z) - Sparse Quadratic Optimisation over the Stiefel Manifold with Application
to Permutation Synchronisation [71.27989298860481]
二次目的関数を最大化するスティーフェル多様体上の行列を求める非最適化問題に対処する。
そこで本研究では,支配的固有空間行列を求めるための,単純かつ効果的なスパーシティプロモーティングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-09-30T19:17:35Z) - A Complementarity Analysis of the COCO Benchmark Problems and
Artificially Generated Problems [0.0]
本稿では,このような単目的連続問題生成手法をCOCOベンチマーク問題セットと比較検討する。
このような表現により、可視化と相関解析技術を適用して、問題間の関係をさらに探求できることを示す。
論文 参考訳（メタデータ） (2021-04-27T09:18:43Z) - On the Assessment of Benchmark Suites for Algorithm Comparison [7.501426386641256]
BBOBスイートのほとんどのベンチマーク関数は、高い難易度(最適化アルゴリズムと比較)と低い差別性を有することを示す。
我々は、ベンチマークスイートの設計を改善することを含む、ベンチマークにおけるIRTの潜在的な使用について論じる。
論文 参考訳（メタデータ） (2021-04-15T11:20:11Z) - Black-Box Optimization Revisited: Improving Algorithm Selection Wizards
through Massive Benchmarking [8.874754363200614]
機械学習のためのブラックボックス最適化の既存の研究は、低い一般化性に悩まされている。
そこで我々は,ブラックボックス最適化の幅広い問題を網羅するベンチマークスイートOptimSuiteを提案する。
ABBOは全てのベンチマークスイートで競合性能を達成する。
論文 参考訳（メタデータ） (2020-10-08T14:17:30Z) - Convergence of adaptive algorithms for weakly convex constrained
optimization [59.36386973876765]
モローエンベロープの勾配のノルムに対して$mathcaltilde O(t-1/4)$収束率を証明する。
我々の分析では、最小バッチサイズが1ドル、定数が1位と2位のモーメントパラメータが1ドル、そしておそらくスムーズな最適化ドメインで機能する。
論文 参考訳（メタデータ） (2020-06-11T17:43:19Z) - Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文 参考訳（メタデータ） (2020-01-29T09:40:58Z)
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。