論文の概要: Sequential Multi-Agent Dynamic Algorithm Configuration

• arxiv url: http://arxiv.org/abs/2510.23535v1
• Date: Mon, 27 Oct 2025 17:11:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.636222
• Title: Sequential Multi-Agent Dynamic Algorithm Configuration
• Title（参考訳）: 逐次マルチエージェント動的アルゴリズム構成
• Authors: Chen Lu, Ke Xue, Lei Yuan, Yao Wang, Yaoyuan Wang, Sheng Fu, Chao Qian,
• Abstract要約: 動的アルゴリズム構成(DAC)は、機械学習の自動化における最近のトレンドである。 本稿では,この問題に対処するシーケンシャルマルチエージェントDAC(Seq-MADAC)フレームワークを提案する。 実験により、Seq-MADACは最先端のMARL法よりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 22.778404369668973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic algorithm configuration (DAC) is a recent trend in automated machine learning, which can dynamically adjust the algorithm's configuration during the execution process and relieve users from tedious trial-and-error tuning tasks. Recently, multi-agent reinforcement learning (MARL) approaches have improved the configuration of multiple heterogeneous hyperparameters, making various parameter configurations for complex algorithms possible. However, many complex algorithms have inherent inter-dependencies among multiple parameters (e.g., determining the operator type first and then the operator's parameter), which are, however, not considered in previous approaches, thus leading to sub-optimal results. In this paper, we propose the sequential multi-agent DAC (Seq-MADAC) framework to address this issue by considering the inherent inter-dependencies of multiple parameters. Specifically, we propose a sequential advantage decomposition network, which can leverage action-order information through sequential advantage decomposition. Experiments from synthetic functions to the configuration of multi-objective optimization algorithms demonstrate Seq-MADAC's superior performance over state-of-the-art MARL methods and show strong generalization across problem classes. Seq-MADAC establishes a new paradigm for the widespread dependency-aware automated algorithm configuration. Our code is available at https://github.com/lamda-bbo/seq-madac.
• Abstract（参考訳）: 動的アルゴリズム構成(DAC)は、自動機械学習の最近のトレンドであり、実行プロセス中にアルゴリズムの設定を動的に調整し、面倒な試行錯誤チューニングタスクを省くことができる。 近年,マルチエージェント強化学習(MARL)アプローチにより,多種多元性ハイパーパラメータの構成が向上し,複雑なアルゴリズムのパラメータ設定が可能になった。 しかし、多くの複雑なアルゴリズムは、複数のパラメータ(例えば、演算子型を先に決定し、演算子パラメータを決定する)に本質的に依存しており、これは以前のアプローチでは考慮されていなかったため、準最適結果をもたらす。 本稿では,複数のパラメータの相互依存性を考慮したシーケンシャルマルチエージェントDAC(Seq-MADAC)フレームワークを提案する。 具体的には、シーケンシャル・アドバンテージ・コンカレンシー・コンカレンシー・ネットワークを提案し、シーケンシャル・アドバンスト・コンカレンシー・コンカレンシー・コンカレンシー・コンカレンシー・コンカレンシー・コンカレンシー・ネットワークを提案する。 合成関数から多目的最適化アルゴリズムの構成までの実験により、Seq-MADACは最先端のMARL法よりも優れた性能を示し、問題クラス間で強い一般化を示す。 Seq-MADACは、依存性を意識した自動アルゴリズム構成のための新しいパラダイムを確立する。 私たちのコードはhttps://github.com/lamda-bbo/seq-madac.comで利用可能です。

関連論文リスト

• LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.35609820607923]
  大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。 LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。 LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
  論文  参考訳（メタデータ） (2025-08-16T02:00:57Z)
• An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
  クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。 このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。 本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-30T15:57:14Z)
• Parameter-efficient Tuning of Large-scale Multimodal Foundation Model [68.24510810095802]
  我々はこれらの課題を克服するために、クロスモーダル転送(Aurora)のための優雅なプロンプトフレームワークを提案する。 既存のアーキテクチャの冗長性を考慮すると、まずモード近似を用いて0.1Mのトレーニング可能なパラメータを生成し、マルチモーダルプロンプトチューニングを実装する。 6つのクロスモーダルベンチマークの徹底的な評価は、最先端のベンチマークを上回るだけでなく、完全な微調整アプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-15T06:40:56Z)
• Numerical Methods for Convex Multistage Stochastic Optimization [86.45244607927732]
  最適化プログラミング(SP)、最適制御(SOC)、決定プロセス(MDP)に焦点を当てる。 凸多段マルコフ問題の解決の最近の進歩は、動的プログラミング方程式のコスト対ゴー関数の切断面近似に基づいている。 切削平面型法は多段階問題を多段階的に扱えるが、状態(決定)変数は比較的少ない。
  論文  参考訳（メタデータ） (2023-03-28T01:30:40Z)
• Multi-agent Dynamic Algorithm Configuration [29.065510165544865]
  自動アルゴリズム構成により、ユーザは面倒で試行錯誤的なチューニングタスクを省くことができる。 本稿では,複雑なアルゴリズムのためのマルチエージェントDAC(MA-DAC)を提案する。 我々は,MA-DACが他の構成調整手法と比較して優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-10-13T08:39:32Z)
• Automated Dynamic Algorithm Configuration [39.39845379026921]
  アルゴリズムの性能は、しばしばパラメータの設定に依存する。 いくつかのアルゴリズムパラメータは実行時に動的に調整される。 有望な代替手段は、データからそのような動的パラメータ適応ポリシーを自動的に学習することである。
  論文  参考訳（メタデータ） (2022-05-27T10:30:25Z)
• Accelerating ERM for data-driven algorithm design using output-sensitive techniques [26.32088674030797]
  データ駆動型アルゴリズム設計のための効率的な学習アルゴリズムを開発するための技術について研究する。 提案手法は,超平面の集合によって誘導されるポリトープを列挙する出力感受性アルゴリズムである。 本稿では、価格問題、リンクベースのクラスタリング、動的プログラミングに基づくシーケンスアライメントのアルゴリズムを提供することにより、我々の技術を説明する。
  論文  参考訳（メタデータ） (2022-04-07T17:27:18Z)
• A Simple Evolutionary Algorithm for Multi-modal Multi-objective Optimization [0.0]
  マルチモーダル・多目的最適化問題(MMOP)を解くための定常進化アルゴリズムを提案する。 本報告では,1000関数評価の低計算予算を用いて,様々なテストスイートから得られた21個のMMOPの性能について報告する。
  論文  参考訳（メタデータ） (2022-01-18T03:31:11Z)
• Phase Retrieval using Expectation Consistent Signal Recovery Algorithm based on Hypernetwork [73.94896986868146]
  位相検索は現代の計算イメージングシステムにおいて重要な要素である。 近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。 我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2021-01-12T08:36:23Z)
• Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
  本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。 古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。 提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
  論文  参考訳（メタデータ） (2020-06-15T02:57:57Z)

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。