論文の概要: Several Performance Bounds on Decentralized Online Optimization are Highly Conservative and Potentially Misleading

• arxiv url: http://arxiv.org/abs/2509.06466v1
• Date: Mon, 08 Sep 2025 09:28:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.034376
• Title: Several Performance Bounds on Decentralized Online Optimization are Highly Conservative and Potentially Misleading
• Title（参考訳）: 分散オンライン最適化におけるいくつかのパフォーマンス境界は、保守的であり、潜在的に誤解を招く
• Authors: Erwan Meunier, Julien M. Hendrickx,
• Abstract要約: 性能推定問題を用いた分散オンライン最適化アルゴリズムの解析を行った。 ステップサイズを調整して古典的なメソッドを改善する方法を示します。
• 参考スコア（独自算出の注目度）: 0.9009523608709119
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We analyze Decentralized Online Optimization algorithms using the Performance Estimation Problem approach which allows, to automatically compute exact worst-case performance of optimization algorithms. Our analysis shows that several available performance guarantees are very conservative, sometimes by multiple orders of magnitude, and can lead to misguided choices of algorithm. Moreover, at least in terms of worst-case performance, some algorithms appear not to benefit from inter-agent communications for a significant period of time. We show how to improve classical methods by tuning their step-sizes, and find that we can save up to 20% on their actual worst-case performance regret.
• Abstract（参考訳）: 我々は,最適化アルゴリズムの最悪の性能を自動的に計算する性能推定問題手法を用いて,分散オンライン最適化アルゴリズムを解析する。 我々の分析によると、いくつかの利用可能な性能保証は非常に保守的であり、時には桁違いに大きくなり、誤ったアルゴリズムの選択につながる可能性がある。 さらに、少なくとも最悪のケースでは、一部のアルゴリズムはエージェント間通信の恩恵を受けないようだ。 ステップサイズを調整して古典的なメソッドを改善する方法を示します。

関連論文リスト

• 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)
• Overcoming Brittleness in Pareto-Optimal Learning-Augmented Algorithms [6.131022957085439]
  本稿では,ユーザ特定プロファイルを用いて,アルゴリズムの性能のスムーズさを強制する新しいフレームワークを提案する。 我々は、この新しいアプローチを、よく研究されたオンライン問題、すなわち片道取引問題に適用する。
  論文  参考訳（メタデータ） (2024-08-07T23:15:21Z)
• 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)
• 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)
• Fast Pareto Optimization Using Sliding Window Selection [13.264683014487376]
  本稿では,最近導入されたアルゴリズムに対してスライディングウインドウの高速化手法を提案する。 我々は,本手法が実行環境に悪影響を及ぼす重要な要因として個体群サイズを排除していることを証明した。
  論文  参考訳（メタデータ） (2023-05-11T23:23:49Z)
• Improved Algorithms for Neural Active Learning [74.89097665112621]
  非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。 本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
  論文  参考訳（メタデータ） (2022-10-02T05:03:38Z)
• 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)
• Benchmarking Simulation-Based Inference [5.3898004059026325]
  確率的モデリングの最近の進歩は、確率の数値的評価を必要としないシミュレーションに基づく推論アルゴリズムを多数もたらした。 推論タスクと適切なパフォーマンス指標を備えたベンチマークを,アルゴリズムの初期選択とともに提供する。 性能指標の選択は重要であり、最先端のアルゴリズムでさえ改善の余地があり、逐次推定によりサンプリング効率が向上することがわかった。
  論文  参考訳（メタデータ） (2021-01-12T18:31:22Z)
• Optimizing Optimizers: Regret-optimal gradient descent algorithms [9.89901717499058]
  我々は,後悔最適アルゴリズムの存在,一意性,一貫性について検討する。 制御問題に対する一階最適条件を提供することにより、後悔最適アルゴリズムはそれらの力学において特定の構造を満たす必要があることを示す。 それらを近似する高速な数値法を提案し,長期的後悔を直接最適化する最適化アルゴリズムを生成する。
  論文  参考訳（メタデータ） (2020-12-31T19:13:53Z)

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。