論文の概要: Adaptive Estimation of the Number of Algorithm Runs in Stochastic Optimization

• arxiv url: http://arxiv.org/abs/2507.01629v1
• Date: Wed, 02 Jul 2025 11:59:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.179881
• Title: Adaptive Estimation of the Number of Algorithm Runs in Stochastic Optimization
• Title（参考訳）: 確率最適化におけるアルゴリズム実行回数の適応推定
• Authors: Tome Eftimov, Peter Korošec,
• Abstract要約: 本稿では,問題毎の実行回数を推定するための経験的アプローチを提案する。 オンラインアプローチとして実行中の実行回数を動的に調整する。 その結果、異なるアルゴリズムで推定すると82% - 95%の精度が得られた。
• 参考スコア（独自算出の注目度）: 3.354345524478023
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Determining the number of algorithm runs is a critical aspect of experimental design, as it directly influences the experiment's duration and the reliability of its outcomes. This paper introduces an empirical approach to estimating the required number of runs per problem instance for accurate estimation of the performance of the continuous single-objective stochastic optimization algorithm. The method leverages probability theory, incorporating a robustness check to identify significant imbalances in the data distribution relative to the mean, and dynamically adjusts the number of runs during execution as an online approach. The proposed methodology was extensively tested across two algorithm portfolios (104 Differential Evolution configurations and the Nevergrad portfolio) and the COCO benchmark suite, totaling 5748000 runs. The results demonstrate 82% - 95% accuracy in estimations across different algorithms, allowing a reduction of approximately 50% in the number of runs without compromising optimization outcomes. This online calculation of required runs not only improves benchmarking efficiency, but also contributes to energy reduction, fostering a more environmentally sustainable computing ecosystem.
• Abstract（参考訳）: アルゴリズムの実行数を決定することは、実験の持続時間と結果の信頼性に直接影響するため、実験設計の重要な側面である。 本稿では,連続単目的確率最適化アルゴリズムの性能を正確に推定するために,問題インスタンス毎の実行回数を推定するための実証的アプローチを提案する。 本手法は,確率論を活用し,ロバスト性チェックを適用して平均値に対するデータ分布のかなりの不均衡を同定し,オンラインアプローチとして実行中の実行回数を動的に調整する。 提案手法は2つのアルゴリズムポートフォリオ(104differial Evolutionの設定とNevergradのポートフォリオ)とCOCOベンチマークスイートでテストされ、合計5748000回実行された。 その結果、異なるアルゴリズムで推定すると82% - 95%の精度が示され、最適化結果を損なうことなく実行回数の約50%の削減が可能となった。 必要な実行のオンライン計算は、ベンチマーク効率を向上するだけでなく、エネルギー削減にも貢献し、より環境に持続可能なコンピューティングエコシステムを育む。

関連論文リスト

• Bayesian Optimization by Kernel Regression and Density-based Exploration [12.074000212223446]
  本稿では,カーネル回帰と密度に基づく探索(BOKE)アルゴリズムによるベイズ最適化を提案する。 BOKEは、効率的な関数近似、探索のためのカーネル密度にカーネル回帰を使用し、それらを信頼境界基準に統合して最適化プロセスの導出を行う。 我々は,BOKEがガウスのプロセスベース手法と競合するだけでなく,計算効率も優れていることを示した。
  論文  参考訳（メタデータ） (2025-02-10T06:16:51Z)
• Black-box Optimization with Simultaneous Statistical Inference for Optimal Performance [18.13513199455587]
  ブラックボックス最適化は複雑なシステム管理における意思決定においてしばしば発生する。 我々のゴールは、最適化と統計的推測の2つのタスクをオンライン方式で最適性能に対処することである。
  論文  参考訳（メタデータ） (2025-01-14T02:37:09Z)
• A Quantum Genetic Algorithm Framework for the MaxCut Problem [49.59986385400411]
  提案手法では,Groverをベースとした進化的枠組みと分割・分散原理を用いた量子遺伝的アルゴリズム(QGA)を提案する。 完全グラフ上では、提案手法は真に最適なMaxCut値を一貫して達成し、セミデフィニティプログラミング(SDP)アプローチより優れている。 ErdHos-R'enyiランダムグラフでは、QGAは競合性能を示し、SDP結果の92-96%で中央値の解が得られる。
  論文  参考訳（メタデータ） (2025-01-02T05:06:16Z)
• Evaluating the effectiveness, reliability and efficiency of a multi-objective sequential optimization approach for building performance design [0.8168080812068832]
  本稿では,建築形状,ファブリック,HVACシステム,建築性能制御の多目的設計最適化のための逐次的アプローチを提案し,評価する。 シーケンシャルアプローチの性能は、NSGA-IIアルゴリズムと比較して、完全な因子探索と比較される。 本研究は、シーケンシャル最適化アプローチが、標準NSGA-IIアルゴリズムの高効率かつ堅牢な代替手段であることを示唆している。
  論文  参考訳（メタデータ） (2024-12-13T08:00:00Z)
• Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
  実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。 本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-06-13T01:18:16Z)
• Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and Stability [67.8426046908398]
  汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。 本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
  論文  参考訳（メタデータ） (2022-04-08T20:46:16Z)
• Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
  決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。 厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。 このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
  論文  参考訳（メタデータ） (2021-11-29T15:10:09Z)
• Outlier-Robust Sparse Estimation via Non-Convex Optimization [73.18654719887205]
  空間的制約が存在する場合の高次元統計量と非破壊的最適化の関連について検討する。 これらの問題に対する新規で簡単な最適化法を開発した。 結論として、効率よくステーションに収束する一階法は、これらのタスクに対して効率的なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2021-09-23T17:38:24Z)

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。