論文の概要: Energy and Quality of Surrogate-Assisted Search Algorithms: a First Analysis
- arxiv url: http://arxiv.org/abs/2508.07691v1
- Date: Mon, 11 Aug 2025 07:07:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 21:23:28.985391
- Title: Energy and Quality of Surrogate-Assisted Search Algorithms: a First Analysis
- Title（参考訳）: サーロゲート支援探索アルゴリズムのエネルギーと品質:最初の解析
- Authors: Tomohiro Harada, Enrique Alba, Gabriel Luque,
- Abstract要約: 我々は,サロゲートがメタヒューリスティック(メタヒューリスティック,メタヒューリスティック,メタヒューリスティック,メタヒューリスティック,メタヒューリスティック)をいかに支援しているかを研究する。
我々の結論は、このトピックに新たな光を当て、サロゲート支援アルゴリズムを評価するための方法論への第一歩として理解することができる。
- 参考スコア（独自算出の注目度）: 2.0099933815960256
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Solving complex real problems often demands advanced algorithms, and then continuous improvements in the internal operations of a search technique are needed. Hybrid algorithms, parallel techniques, theoretical advances, and much more are needed to transform a general search algorithm into an efficient, useful one in practice. In this paper, we study how surrogates are helping metaheuristics from an important and understudied point of view: their energy profile. Even if surrogates are a great idea for substituting a time-demanding complex fitness function, the energy profile, general efficiency, and accuracy of the resulting surrogate-assisted metaheuristic still need considerable research. In this work, we make a first step in analyzing particle swarm optimization in different versions (including pre-trained and retrained neural networks as surrogates) for its energy profile (for both processor and memory), plus a further study on the surrogate accuracy to properly drive the search towards an acceptable solution. Our conclusions shed new light on this topic and could be understood as the first step towards a methodology for assessing surrogate-assisted algorithms not only accounting for time or numerical efficiency but also for energy and surrogate accuracy for a better, more holistic characterization of optimization and learning techniques.
- Abstract（参考訳）: 複雑な実問題を解決するには、しばしば高度なアルゴリズムを必要とし、探索技法の内部操作を継続的に改善する必要がある。
汎用探索アルゴリズムを効率よく有用なものにするためには、ハイブリッドアルゴリズム、並列技術、理論的進歩など多くのものが必要である。
本稿では,サロゲートがメタヒューリスティックスにどのように役立つか,そのエネルギー分布について考察する。
もしサロゲートが複雑なフィットネス関数の代用に優れたアイデアであるとしても、エネルギープロファイル、一般効率、そしてその結果のサロゲートアシストメタヒューリスティックの精度は依然としてかなりの研究が必要である。
本研究では,そのエネルギープロファイル(プロセッサとメモリの両方)に対して,異なるバージョンの粒子群最適化(サロゲートとして事前訓練および再訓練されたニューラルネットワークを含む)を解析し,サロゲートの精度についてさらなる研究を行い,探索を許容できる解に向けて適切に進める。
我々の結論は、このトピックに新たな光を当て、時間や数値の効率だけでなく、エネルギーやサロゲートの精度も考慮し、最適化と学習技術のより総合的な評価を行うための、サロゲート支援アルゴリズムを評価するための方法論への第一歩として理解することができる。
関連論文リスト
- Position: We Need An Algorithmic Understanding of Generative AI [7.425924654036041]
本稿では,LLMが学習・使用するアルゴリズムを体系的に研究するためのフレームワークであるAlgEvalを提案する。
AlgEvalは、潜在表現、注意、推論時間計算に反映されるアルゴリズムプリミティブと、タスク固有の問題を解決するアルゴリズム構成を明らかにすることを目的としている。
論文 参考訳（メタデータ） (2025-07-10T08:38:47Z) - Navigating Intelligence: A Survey of Google OR-Tools and Machine Learning for Global Path Planning in Autonomous Vehicles [49.1574468325115]
ROMIEと呼ばれる自律的な採鉱ロボットには,グローバルパスプランニングが不可欠である。
Q-Learningは最適な戦略であり、データセット全体の最適解から平均1.2%しか逸脱せず、優れた効率を示す。
論文 参考訳（メタデータ） (2025-03-05T10:12:22Z) - Practical Topics in Optimization [8.034728173797953]
最適化は、数学、コンピュータ科学、オペレーション研究、機械学習など、進歩する分野において基礎的な役割を果たす。
機械学習モデルの精細化からリソース割り当ての改善、効率的なアルゴリズムの設計に至るまで、最適化技術は複雑な問題に取り組む上で不可欠なツールである。
本書は,各分野における最適化手法の理解と適用に必要な知識を読者に提供することを目的としている。
論文 参考訳（メタデータ） (2025-02-16T10:00:50Z) - A Tutorial on the Design, Experimentation and Application of Metaheuristic Algorithms to Real-World Optimization Problems [16.890440704820367]
メタヒューリスティックの設計と使用に関する数十年の歴史的進歩にもかかわらず、新しい技術成果の理解可能性、アルゴリズム設計の正しさ、性能検証性に関して大きな困難が残っている。
この研究は、最適化に使用されるメタヒューリスティックス手法の研究を行う際に、受け入れるべき良いプラクティスの提案を聴衆に提供することを目的としている。
論文 参考訳（メタデータ） (2024-10-04T07:41:23Z) - Center-Sensitive Kernel Optimization for Efficient On-Device Incremental Learning [88.78080749909665]
現在のオンデバイストレーニング手法は、破滅的な忘れを考慮せずに、効率的なトレーニングにのみ焦点をあてている。
本稿では,単純だが効果的なエッジフレンドリーなインクリメンタル学習フレームワークを提案する。
本手法は,メモリの削減と近似計算により,平均精度38.08%の高速化を実現する。
論文 参考訳（メタデータ） (2024-06-13T05:49:29Z) - Reinforcement Learning-assisted Evolutionary Algorithm: A Survey and
Research Opportunities [63.258517066104446]
進化的アルゴリズムの構成要素として統合された強化学習は,近年,優れた性能を示している。
本稿では,RL-EA 統合手法,RL-EA が採用する RL-EA 支援戦略,および既存文献による適用について論じる。
RL-EAセクションの適用例では、RL-EAのいくつかのベンチマークおよび様々な公開データセットにおける優れた性能を示す。
論文 参考訳（メタデータ） (2023-08-25T15:06:05Z) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳（メタデータ） (2023-04-12T14:51:47Z) - A survey on multi-objective hyperparameter optimization algorithms for
Machine Learning [62.997667081978825]
本稿では,多目的HPOアルゴリズムに関する2014年から2020年にかけての文献を体系的に調査する。
メタヒューリスティック・ベース・アルゴリズムとメタモデル・ベース・アルゴリズム,および両者を混合したアプローチを区別する。
また,多目的HPO法と今後の研究方向性を比較するための品質指標についても論じる。
論文 参考訳（メタデータ） (2021-11-23T10:22:30Z) - Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。
問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。
本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-01-07T08:00:02Z) - Learning to Actively Learn: A Robust Approach [14.46867518436922]
本研究では,アクティブラーニングや純粋探索型マルチアームバンディットといった適応データ収集タスクのアルゴリズム設計手法を提案する。
我々の適応アルゴリズムは、情報理論の下界から導かれる問題の同値クラスに対する逆学習によって学習される。
我々は,訓練手順の安定性と有効性を正当化するための合成実験を行い,実データから導出される課題について評価する。
論文 参考訳（メタデータ） (2020-10-29T06:48:22Z)
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。