論文の概要: Practical, Utilitarian Algorithm Configuration

• arxiv url: http://arxiv.org/abs/2510.14683v1
• Date: Thu, 16 Oct 2025 13:47:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.879848
• Title: Practical, Utilitarian Algorithm Configuration
• Title（参考訳）: 実用的・実用的アルゴリズム構成
• Authors: Devon Graham, Kevin Leyton-Brown,
• Abstract要約: ユーティリティ的アルゴリズム構成は、ユーザのユーティリティを最大化する所定のアルゴリズムのパラメータ設定を特定する。 理論的保証を損なうことなく、実証性能を向上させるためのCOUPの一連の改善を提案する。
• 参考スコア（独自算出の注目度）: 10.948508157248488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Utilitarian algorithm configuration identifies a parameter setting for a given algorithm that maximizes a user's utility. Utility functions offer a theoretically well-grounded approach to optimizing decision-making under uncertainty and are flexible enough to capture a user's preferences over algorithm runtimes (e.g., they can describe a sharp cutoff after which a solution is no longer required, a per-hour cost for compute, or diminishing returns from algorithms that take longer to run). COUP is a recently-introduced utilitarian algorithm configuration procedure which was designed mainly to offer strong theoretical guarantees about the quality of the configuration it returns, with less attention paid to its practical performance. This paper closes that gap, bringing theoretically-grounded, utilitarian algorithm configuration to the point where it is competitive with widely used, heuristic configuration procedures that offer no performance guarantees. We present a series of improvements to COUP that improve its empirical performance without degrading its theoretical guarantees and demonstrate their benefit experimentally. Using a case study, we also illustrate ways of exploring the robustness of a given solution to the algorithm selection problem to variations in the utility function.
• Abstract（参考訳）: ユーティリティ的アルゴリズム構成は、ユーザのユーティリティを最大化する所定のアルゴリズムのパラメータ設定を特定する。 ユーティリティ関数は、不確実性の下で意思決定を最適化するための理論的にしっかりとしたアプローチを提供し、アルゴリズムランタイムよりもユーザの好みを捉えるのに十分な柔軟性がある(例えば、ソリューションが不要になった後のシャープな遮断、計算の時間あたりのコスト、実行に時間がかかるアルゴリズムからのリターンの減少など)。 COUPは、最近導入された実用的アルゴリズムの構成手順であり、主に、それが返す構成の品質に関する強力な理論的保証を提供するように設計されており、実用性能にはあまり注意を払わない。 本稿では,このギャップを解消し,理論的基礎を持つ実用的アルゴリズムの構成を,性能保証のない,広く使用されているヒューリスティックな構成手順と競合する点に導く。 理論的保証を損なうことなく、実証性能を向上し、その利点を実験的に実証するCOUPの一連の改良を提案する。 ケーススタディを用いて,アルゴリズム選択問題に対する与えられた解のロバスト性からユーティリティ関数の変分までを探索する方法について述べる。

関連論文リスト

• A Novel Unified Parametric Assumption for Nonconvex Optimization [53.943470475510196]
  非最適化は機械学習の中心であるが、一般の非凸性は弱い収束を保証するため、他方に比べて悲観的すぎる。 非凸アルゴリズムに新しい統一仮定を導入する。
  論文  参考訳（メタデータ） (2025-02-17T21:25:31Z)
• e-COP : Episodic Constrained Optimization of Policies [12.854752753529151]
  本稿では,制約付き強化学習(RL)のための第1ポリシー最適化アルゴリズムを提案する。 提案アルゴリズムは, エピソード設定に適応したSoTA (non-episodic) アルゴリズムと類似あるいは良好な性能を示す。
  論文  参考訳（メタデータ） (2024-06-13T20:12:09Z)
• On Constructing Algorithm Portfolios in Algorithm Selection for Computationally Expensive Black-box Optimization in the Fixed-budget Setting [0.0]
  本稿では,アルゴリズムポートフォリオ構築におけるサンプリングフェーズにおける関数評価の回数を考慮することの重要性を論じる。 その結果,提案手法により構築されたアルゴリズムのポートフォリオは,従来の手法よりも大幅に向上していることがわかった。
  論文  参考訳（メタデータ） (2024-05-13T03:31:13Z)
• Analyzing and Enhancing the Backward-Pass Convergence of Unrolled Optimization [50.38518771642365]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。 本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。 Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
  論文  参考訳（メタデータ） (2023-12-28T23:15:18Z)
• 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)
• CONFIG: Constrained Efficient Global Optimization for Closed-Loop Control System Optimization with Unmodeled Constraints [11.523746174066702]
  OPTアルゴリズムは未知系の非モデル制約による閉ループ制御性能を最適化するために用いられる。 その結果,提案アルゴリズムは,最適性保証のないCEI (Constrained expecteded Improvement) アルゴリズムと競合する性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-11-21T19:44:00Z)
• 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)
• Non-Convex Optimization with Certificates and Fast Rates Through Kernel Sums of Squares [68.8204255655161]
  非最適化近似問題を考える。 本稿では,最優先計算を保証するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-04-11T09:37:04Z)
• Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
  適応性は現代最適化理論において重要であるが、研究されていない性質である。 提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
  論文  参考訳（メタデータ） (2020-02-13T05:42:27Z)

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。