論文の概要: DesignX: Human-Competitive Algorithm Designer for Black-Box Optimization
- arxiv url: http://arxiv.org/abs/2505.17866v1
- Date: Fri, 23 May 2025 13:16:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-26 18:08:34.096572
- Title: DesignX: Human-Competitive Algorithm Designer for Black-Box Optimization
- Title（参考訳）: DesignX: Black-Box最適化のための人間競合アルゴリズムデザイナ
- Authors: Hongshu Guo, Zeyuan Ma, Yining Ma, Xinglin Zhang, Wei-Neng Chen, Yue-Jiao Gong,
- Abstract要約: 我々は,与えられたブラックボックス最適化問題に対して,数秒以内に効果的な特定性を生成する,最初の自動アルゴリズム設計フレームワークであるDesignXを提案する。
数十年にわたる研究から収集された数百のアルゴリズムコンポーネントを取り入れた、包括的なモジュラーアルゴリズム空間が最初に構築された。
注目すべきは、自律的な学習の日々を通じて、DesignXで生成されたメタトレーニングが、人間の作ったデザインを上回っていることだ。
- 参考スコア（独自算出の注目度）: 11.467054529894497
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Designing effective black-box optimizers is hampered by limited problem-specific knowledge and manual control that spans months for almost every detail. In this paper, we present DesignX, the first automated algorithm design framework that generates an effective optimizer specific to a given black-box optimization problem within seconds. Rooted in the first principles, we identify two key sub-tasks: 1) algorithm structure generation and 2) hyperparameter control. To enable systematic construction, a comprehensive modular algorithmic space is first built, embracing hundreds of algorithm components collected from decades of research. We then introduce a dual-agent reinforcement learning system that collaborates on structural and parametric design through a novel cooperative training objective, enabling large-scale meta-training across 10k diverse instances. Remarkably, through days of autonomous learning, the DesignX-generated optimizers continuously surpass human-crafted optimizers by orders of magnitude, either on synthetic testbed or on realistic optimization scenarios such as Protein-docking, AutoML and UAV path planning. Further in-depth analysis reveals DesignX's capability to discover non-trivial algorithm patterns beyond expert intuition, which, conversely, provides valuable design insights for the optimization community. We provide DesignX's inference code at https://github.com/MetaEvo/DesignX.
- Abstract（参考訳）: 効果的なブラックボックスオプティマイザの設計は、問題固有の知識の制限と、ほぼすべての詳細について数ヶ月にわたる手動制御によって妨げられる。
本稿では,与えられたブラックボックス最適化問題に固有の効率的な最適化器を数秒で生成する,最初の自動アルゴリズム設計フレームワークであるDesignXを提案する。
最初の原則に従って、私たちは2つの重要なサブタスクを特定します。
1【アルゴリズムの構造形成・構築】
2)ハイパーパラメータ制御。
体系的な構築を可能にするために、数十年の研究から集めた数百のアルゴリズムコンポーネントを取り入れた、包括的なモジュラーアルゴリズム空間が最初に構築される。
次に、新しい協調学習目標を通じて構造的・パラメトリックな設計を協調的に行うデュアルエージェント強化学習システムを導入し、10万の多様なインスタンスにわたる大規模メタトレーニングを可能にした。
注目すべきは、自律学習の日々を通じて、DesignXが生成するオプティマイザは、人工的なテストベッドや、タンパク質ドッキング、AutoML、UAVパス計画といった現実的な最適化シナリオにおいて、人間の作ったオプティマイザを桁違いに上回っていることだ。
さらに詳細な分析では、専門家の直観を超えた非自明なアルゴリズムパターンを発見できるDesignXの機能を明らかにし、逆に最適化コミュニティにとって価値のある設計洞察を提供する。
DesignXの推論コードはhttps://github.com/MetaEvo/DesignXで提供します。
関連論文リスト
- Reinforcement learning Based Automated Design of Differential Evolution Algorithm for Black-box Optimization [14.116216795259554]
微分進化(DE)アルゴリズムは最も効果的な進化アルゴリズムの1つとして認識されている。
ブラックボックス最適化のためのDEの自動設計に強化学習(RL)を用いる新しいフレームワークを提案する。
RLは高度なメタ最適化器として機能し、カスタマイズされたDE構成を生成する。
論文 参考訳（メタデータ） (2025-01-22T13:41:47Z) - AIRCHITECT v2: Learning the Hardware Accelerator Design Space through Unified Representations [3.6231171463908938]
設計空間探索は、カスタムハードウェアアーキテクチャの実現において重要な役割を果たす。
最近のAIrchitect v1は、DSEの限界を検索時間分類問題に対処する最初の試みである。
論文 参考訳（メタデータ） (2025-01-17T04:57:42Z) - Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
大規模なニューラルネットワークは予測タスクに優れるが、タンパク質工学や材料発見といった設計問題への応用には、オフラインモデルベース最適化(MBO)の問題を解決する必要がある。
機能的グラフィカルモデル(FGM)を用いてブラックボックス関数の構造を学習するトランスフォーマーベースのアーキテクチャであるCliqueformerを提案する。
化学および遺伝子設計タスクを含む様々な領域において、Cliqueformerは既存の方法よりも優れた性能を示している。
論文 参考訳（メタデータ） (2024-10-17T00:35:47Z) - Structural Optimization of Lightweight Bipedal Robot via SERL [6.761861053481078]
本稿では,移動課題の強化学習と進化アルゴリズムを組み合わせたSERL(Structure Evolution Reinforcement Learning)アルゴリズムを提案する。
We designed a bipedal robot called Wow Orin, where the optimal leg length are obtained through optimization based on body structure and motor Turk。
論文 参考訳（メタデータ） (2024-08-28T08:34:05Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳（メタデータ） (2024-01-24T01:33:39Z) - AutoOptLib: Tailoring Metaheuristic Optimizers via Automated Algorithm
Design [23.778407064391658]
本稿ではメタヒューリスティックスの自動設計のための最初のプラットフォームであるAutoOptLibを提案する。
AutoOptLibは、コンピューティングリソースによる設計選択を完全に探求することで、人間の経験を超越する可能性を秘めている。
論文 参考訳（メタデータ） (2023-03-12T01:45:05Z) - VeLO: Training Versatile Learned Optimizers by Scaling Up [67.90237498659397]
私たちは、ディープラーニングの成功の背後にある同じスケーリングアプローチを活用して、汎用性を学びます。
私たちは、パラメータの更新を取り込み出力する小さなニューラルネットワークであるディープラーニングのためのインジェクションをトレーニングします。
学習したメタトレーニングコード、関連するトレインテストデータ、およびvelo-code.ioのベースラインを備えた広範なベンチマークスイートをオープンソースとして公開しています。
論文 参考訳（メタデータ） (2022-11-17T18:39:07Z) - 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) - Generative Design by Reinforcement Learning: Enhancing the Diversity of
Topology Optimization Designs [5.8010446129208155]
本研究では、トポロジ設計の多様性を最大化する報酬関数を備えた強化学習に基づく生成設計プロセスを提案する。
RLをベースとした生成設計は,GPUを完全自動で活用することにより,短時間で多数の多様な設計を生成できることを示す。
論文 参考訳（メタデータ） (2020-08-17T06:50:47Z) - 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。