Fugu-MT 論文翻訳(概要): Information Preserving Line Search via Bayesian Optimization

論文の概要: Information Preserving Line Search via Bayesian Optimization

arxiv url: http://arxiv.org/abs/2507.15485v1
Date: Mon, 21 Jul 2025 10:42:12 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-22 20:51:32.360144
Title: Information Preserving Line Search via Bayesian Optimization
Title（参考訳）: ベイジアン最適化による情報保存線探索
Authors: Robin Labryga, Tomislav Prusina, Sören Laue,
Abstract要約: 本稿では,ステップ長選択を改善するために,ベイズ最適化による行探索手法を提案する。我々の手法は収束することが保証され、最先端の手法よりも優れた性能を示す。
参考スコア（独自算出の注目度）: 6.873264441045805
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Line search is a fundamental part of iterative optimization methods for unconstrained and bound-constrained optimization problems to determine suitable step lengths that provide sufficient improvement in each iteration. Traditional line search methods are based on iterative interval refinement, where valuable information about function value and gradient is discarded in each iteration. We propose a line search method via Bayesian optimization, preserving and utilizing otherwise discarded information to improve step-length choices. Our approach is guaranteed to converge and shows superior performance compared to state-of-the-art methods based on empirical tests on the challenging unconstrained and bound-constrained optimization problems from the CUTEst test set.
Abstract（参考訳）: 線形探索は、各反復において十分な改善をもたらす適切なステップ長を決定するために、制約のない、制約のない最適化問題に対する反復最適化手法の基本的な部分である。従来の行探索手法は反復区間改良に基づいており、各イテレーションで関数値や勾配に関する貴重な情報が破棄される。本稿では,ステップ長選択を改善するために,ベイズ最適化による行探索手法を提案する。提案手法は, CUTEstテストセットから, 制約のない, 制約のない, 制約のない最適化問題に挑戦する実験結果に基づく, 最先端の手法と比較して, 収束が保証され, 優れた性能を示す。

関連論文リスト

Discovering Preference Optimization Algorithms with and for Large Language Models [50.843710797024805]
オフライン優先最適化は、LLM(Large Language Model)出力の品質を向上・制御するための重要な手法である。我々は、人間の介入なしに、新しい最先端の選好最適化アルゴリズムを自動で発見する客観的発見を行う。実験は、ロジスティックと指数的損失を適応的にブレンドする新しいアルゴリズムであるDiscoPOPの最先端性能を示す。
論文参考訳（メタデータ） (2024-06-12T16:58:41Z)
Efficient Line Search Method Based on Regression and Uncertainty Quantification [7.724860428430271]
制約のない最適化問題は、通常、最適なステップ長を決定するために反復法を用いて解決される。本稿では,ベイズ最適化を用いた新しい線探索手法を提案する。既存の最先端手法と比較して優れた性能を示し、同等のリソース使用量で最適性に多くの問題を解決している。
論文参考訳（メタデータ） (2024-05-17T16:35:20Z)
A simple uniformly optimal method without line search for convex optimization [9.280355951055865]
パラメータが優先されていない凸最適化問題の解法として最適収束率を得るには,線探索が過剰であることを示す。滑らかな凸最適化のために最適な$mathcalO (1/k2)$収束率を達成できるAC-FGMと呼ばれる新しい勾配降下型アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-10-16T05:26:03Z)
Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文参考訳（メタデータ） (2023-07-17T20:11:56Z)
Faster Margin Maximization Rates for Generic and Adversarially Robust Optimization Methods [20.118513136686452]
一階最適化法は、未決定の訓練目標を最小化する際に、本質的に他よりも特定の解を優先する傾向がある。本稿では,ミラー降下法と最急降下法について,最先端の暗黙バイアス率を示す。私たちの加速速度は、このゲームフレームワークにおけるオンライン学習アルゴリズムの残念な部分を活用することによって導き出されます。
論文参考訳（メタデータ） (2023-05-27T18:16:56Z)
A New Inexact Proximal Linear Algorithm with Adaptive Stopping Criteria for Robust Phase Retrieval [6.407536646154451]
本稿では,非平滑かつ非最適化問題であるロバスト検索問題を考察する。本稿では,2つのコントリビューションでサブプロブレムを解くことを目的とした,新しい不正確な近位線形アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-04-25T02:29:33Z)
A Nonstochastic Control Approach to Optimization [26.744354103012448]
制御前提条件からの最近の手法が凸ノリティの課題を克服できることを示す。メソッドのクラスから、類似の結果を後見で得る方法を学ぶことができる。
論文参考訳（メタデータ） (2023-01-19T06:08:01Z)
Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
統計的決定論の研究からシャノンエントロピーの一般化を考える。まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
論文参考訳（メタデータ） (2022-10-04T04:43:58Z)
Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
論文参考訳（メタデータ） (2022-09-27T17:51:31Z)
Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文参考訳（メタデータ） (2022-01-28T05:53:28Z)
Stochastic Optimization Forests [60.523606291705214]
標準的なランダムな森林アルゴリズムのように予測精度を向上させるために分割するのではなく、分割を選択した木を栽培し、下流の意思決定品質を直接最適化することで、森林決定政策の訓練方法を示す。概略分割基準は、各候補分割に対して正確に最適化された森林アルゴリズムに近い性能を保ちながら、100倍のランニング時間を短縮できることを示す。
論文参考訳（メタデータ） (2020-08-17T16:56:06Z)

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。