論文の概要: A Generative Neural Annealer for Black-Box Combinatorial Optimization

• arxiv url: http://arxiv.org/abs/2505.09742v1
• Date: Wed, 14 May 2025 19:05:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.083059
• Title: A Generative Neural Annealer for Black-Box Combinatorial Optimization
• Title（参考訳）: ブラックボックス組合せ最適化のための生成型ニューラルアニール
• Authors: Yuan-Hang Zhang, Massimiliano Di Ventra,
• Abstract要約: ブラックボックス最適化問題に対する生成的エンドツーエンドの解法を提案する。 ニューラルネットワークをトレーニングして、関連するボルツマン分布をモデル化する。 最先端のブラックボックスモデルに対する競合性能を示す。
• 参考スコア（独自算出の注目度）: 4.429709236737154
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a generative, end-to-end solver for black-box combinatorial optimization that emphasizes both sample efficiency and solution quality on NP problems. Drawing inspiration from annealing-based algorithms, we treat the black-box objective as an energy function and train a neural network to model the associated Boltzmann distribution. By conditioning on temperature, the network captures a continuum of distributions--from near-uniform at high temperatures to sharply peaked around global optima at low temperatures--thereby learning the structure of the energy landscape and facilitating global optimization. When queries are expensive, the temperature-dependent distributions naturally enable data augmentation and improve sample efficiency. When queries are cheap but the problem remains hard, the model learns implicit variable interactions, effectively "opening" the black box. We validate our approach on challenging combinatorial tasks under both limited and unlimited query budgets, showing competitive performance against state-of-the-art black-box optimizers.
• Abstract（参考訳）: そこで本研究では,NP問題に対するサンプル効率と解法品質の両方を重視したブラックボックス組合せ最適化のための生成終端解法を提案する。 熱処理に基づくアルゴリズムからインスピレーションを得て、ブラックボックスの目的をエネルギー関数として扱い、ニューラルネットワークをトレーニングしてボルツマン分布をモデル化する。 温度を条件にすることで、このネットワークは、高温でほぼ均一な状態から、低温で地球規模の最適点付近に急激なピークを迎え、エネルギー景観の構造を学習し、地球規模の最適化を促進する。 クエリが高価である場合、温度依存分布は自然にデータ拡張を可能にし、サンプル効率を向上させる。 クエリが安くても問題は残るが、モデルは暗黙的な変数の相互作用を学び、ブラックボックスを事実上「開く」。 制限されたクエリ予算と無制限のクエリ予算の両方で組合せタスクに挑戦するアプローチを検証し、最先端のブラックボックスオプティマイザに対する競合性能を示す。

関連論文リスト

• Covariance-Adaptive Sequential Black-box Optimization for Diffusion Targeted Generation [60.41803046775034]
  ユーザのブラックボックス目標スコアのみを用いた拡散モデルを用いて,ユーザ優先のターゲット生成を行う方法を示す。 数値実験問題と目標誘導型3次元分子生成タスクの両方の実験により,より優れた目標値を得る上で,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2024-06-02T17:26:27Z)
• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• Approaching Globally Optimal Energy Efficiency in Interference Networks via Machine Learning [22.926877147296594]
  本研究は,マルチセル無線ネットワークにおけるエネルギー効率(EE)を最適化する機械学習手法を提案する。 その結果,この手法は分岐計算テストにより最適値に近いEEを達成できることが判明した。
  論文  参考訳（メタデータ） (2022-11-25T08:36:34Z)
• 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)
• Joint inference and input optimization in equilibrium networks [68.63726855991052]
  ディープ均衡モデル(Deep equilibrium model)は、従来のネットワークの深さを予測し、代わりに単一の非線形層の固定点を見つけることによってネットワークの出力を計算するモデルのクラスである。 この2つの設定の間には自然なシナジーがあることが示されています。 この戦略は、生成モデルのトレーニングや、潜時符号の最適化、デノベートやインペインティングといった逆問題に対するトレーニングモデル、対逆トレーニング、勾配に基づくメタラーニングなど、様々なタスクにおいて実証される。
  論文  参考訳（メタデータ） (2021-11-25T19:59:33Z)
• Sparse Optimization for Green Edge AI Inference [28.048770388766716]
  エネルギー効率の良いエッジAI推論を実現するために,共同推論タスク選択とダウンリンクビームフォーミング戦略を提案する。 タスク選択の集合とグループ間隔送信ビームフォーミングベクトルとの固有の接続を利用して、グループスパースビームフォーミング問題として最適化を再構成する。 我々は,グローバル収束解析を確立し,このアルゴリズムのエルゴード最悪の収束率を提供する。
  論文  参考訳（メタデータ） (2020-02-24T05:21:58Z)
• 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。

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。