論文の概要: Multi-Task Surrogate-Assisted Search with Bayesian Competitive Knowledge Transfer for Expensive Optimization

• arxiv url: http://arxiv.org/abs/2510.23407v1
• Date: Mon, 27 Oct 2025 15:09:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.583012
• Title: Multi-Task Surrogate-Assisted Search with Bayesian Competitive Knowledge Transfer for Expensive Optimization
• Title（参考訳）: 比重最適化のためのベイズ競合知識伝達を用いたマルチタスクサロゲート支援探索
• Authors: Yi Lu, Xiaoming Xue, Kai Zhang, Liming Zhang, Guodong Chen, Chenming Cao, Piyang Liu, Kay Chen Tan,
• Abstract要約: 高価な最適化問題(EOP)は、従来の進化的最適化に重大な課題をもたらす。 知識伝達は、潜在的に関連するインスタンスから検索体験を活用する能力で人気を集めている。 本稿では,複数のEOPを同時に扱う場合のマルチタスクSAS(MSAS)を改善するためにベイズ競合知識伝達(BCKT)手法を提案する。
• 参考スコア（独自算出の注目度）: 22.404750154203484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Expensive optimization problems (EOPs) present significant challenges for traditional evolutionary optimization due to their limited evaluation calls. Although surrogate-assisted search (SAS) has become a popular paradigm for addressing EOPs, it still suffers from the cold-start issue. In response to this challenge, knowledge transfer has been gaining popularity for its ability to leverage search experience from potentially related instances, ultimately facilitating head-start optimization for more efficient decision-making. However, the curse of negative transfer persists when applying knowledge transfer to EOPs, primarily due to the inherent limitations of existing methods in assessing knowledge transferability. On the one hand, a priori transferability assessment criteria are intrinsically inaccurate due to their imprecise understandings. On the other hand, a posteriori methods often necessitate sufficient observations to make correct inferences, rendering them inefficient when applied to EOPs. Considering the above, this paper introduces a Bayesian competitive knowledge transfer (BCKT) method developed to improve multi-task SAS (MSAS) when addressing multiple EOPs simultaneously. Specifically, the transferability of knowledge is estimated from a Bayesian perspective that accommodates both prior beliefs and empirical evidence, enabling accurate competition between inner-task and inter-task solutions, ultimately leading to the adaptive use of promising solutions while effectively suppressing inferior ones. The effectiveness of our method in boosting various SAS algorithms for both multi-task and many-task problems is empirically validated, complemented by comparative studies that demonstrate its superiority over peer algorithms and its applicability to real-world scenarios. The source code of our method is available at https://github.com/XmingHsueh/MSAS-BCKT.
• Abstract（参考訳）: EOP(Expensive Optimization problem)は、従来の進化的最適化において、限られた評価呼び出しのために重要な課題を提示する。 代理支援検索(SAS)は、EOPに対処するための一般的なパラダイムとなっているが、依然としてコールドスタートの問題に悩まされている。 この課題に対応するために、知識伝達は、潜在的に関連するインスタンスから検索エクスペリエンスを活用する能力で人気を集めており、最終的にはより効率的な意思決定のためのヘッドスタート最適化を促進している。 しかしながら、知識伝達可能性を評価する既存の方法に固有の制限があるため、知識伝達をEOPに適用する場合、負の伝達の呪いは継続する。 一方、優先順位伝達可能性評価基準は、不正確な理解のため本質的に不正確である。 一方、後続法は正しい推論を行うのに十分な観測を必要とすることが多く、EOPに適用すると効率が悪くなる。 本稿では,複数のEOPを同時に扱う場合のマルチタスクSAS(MSAS)を改善するためにベイズ競合知識伝達法を提案する。 具体的には、知識の伝達性は、事前の信念と実証的な証拠の両方を満たすベイズ的視点から推定され、内面解と内面解の正確な競合を可能にし、最終的には有望な解を適応的に利用し、劣った解を効果的に抑制する。 マルチタスク問題とマルチタスク問題の両方に対する様々なSASアルゴリズムの高速化における本手法の有効性を実証的に検証し,ピアアルゴリズムよりも優れていること,実世界のシナリオに適用可能であることを実証した比較研究により検証した。 私たちのメソッドのソースコードはhttps://github.com/XmingHsueh/MSAS-BCKT.comで公開されています。

関連論文リスト

• Semantic Caching for Low-Cost LLM Serving: From Offline Learning to Online Adaptation [54.61034867177997]
  キャッシング推論応答は、大きな言語モデルに他の前方を通さずに、それらを検索することができる。 従来の正確なキャッシュは、クエリ間のセマンティックな類似性を見落とし、不要な再計算をもたらす。 本稿では,未知のクエリおよびコスト分布下でのセマンティックキャッシュ消去のための,原則的,学習ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-11T06:53:27Z)
• FAST: Similarity-based Knowledge Transfer for Efficient Policy Learning [57.4737157531239]
  Transfer Learningは、タスク間で知識を伝達することで学習を加速する能力を提供する。 これは、負の転送、ドメイン適応、ソリッドソースポリシーの選択における非効率といった重要な課題に直面します。 本研究では,知識伝達の改善,タスク間のパフォーマンスの促進,計算コストの削減など,TLの課題に挑戦する。
  論文  参考訳（メタデータ） (2025-07-27T22:21:53Z)
• CoPS: Empowering LLM Agents with Provable Cross-Task Experience Sharing [70.25689961697523]
  クロスタスク体験の共有と選択によるシーケンシャル推論を強化する一般化可能なアルゴリズムを提案する。 我々の研究は、既存のシーケンシャルな推論パラダイムのギャップを埋め、タスク間体験の活用の有効性を検証する。
  論文  参考訳（メタデータ） (2024-10-22T03:59:53Z)
• Surrogate-Assisted Search with Competitive Knowledge Transfer for Expensive Optimization [39.358699654994965]
  重大最適化問題 (EOP) は, 様々な応用に応用されているため, 何十年にもわたって研究の関心が高まりつつある。 多くの高度なサロゲート支援進化アルゴリズム (SAEA) にもかかわらず、これらのアルゴリズムの多くは以前に解決されたタスクから知識を伝達する能力に欠けていた。 様々なSAEAを促進するために,プラグアンドプレイの知識伝達手法を提案する。
  論文  参考訳（メタデータ） (2024-08-13T19:38:22Z)
• Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
  予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。 我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。 本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
  論文  参考訳（メタデータ） (2023-11-13T13:19:34Z)
• Uncertainty-aware transfer across tasks using hybrid model-based successor feature reinforcement learning [18.80906316352317]
  各アクションの値の不確実性は、カルマンフィルタ(KF)ベースの多重モデル適応推定によって近似される。 我々のアルゴリズムは、異なる遷移力学の知識を一般化し、スクラッチから始めるよりもはるかに少ないサンプルで下流タスクを学習し、既存のアプローチより優れています。
  論文  参考訳（メタデータ） (2023-10-16T20:37:36Z)

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。