Fugu-MT 論文翻訳(概要): Towards Evolutionary Optimization Using the Ising Model

論文の概要: Towards Evolutionary Optimization Using the Ising Model

arxiv url: http://arxiv.org/abs/2511.15377v1
Date: Wed, 19 Nov 2025 12:08:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-20 15:51:28.794155
Title: Towards Evolutionary Optimization Using the Ising Model
Title（参考訳）: イジングモデルを用いた進化的最適化に向けて
Authors: Simon Klüttermann,
Abstract要約: 理論物理学のモデルを用いて、Isingモデルに基づく進化的最適化アルゴリズムを作成する。提案アルゴリズムは局所最適化の安定な領域を生成し,これらの領域間の改良の可能性を高める。これにより、グローバルなミニマの正確な識別が可能になり、同等のメソッドを超え、アンサンブルに有望な応用が期待できる。
参考スコア（独自算出の注目度）: 0.16921396880325779
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this paper, we study the problem of finding the global minima of a given function. Specifically, we consider complicated functions with numerous local minima, as is often the case for real-world data mining losses. We do so by applying a model from theoretical physics to create an Ising model-based evolutionary optimization algorithm. Our algorithm creates stable regions of local optima and a high potential for improvement between these regions. This enables the accurate identification of global minima, surpassing comparable methods, and has promising applications to ensembles.
Abstract（参考訳）: 本稿では,関数の大域的最小値を求める問題について考察する。具体的には、実世界のデータマイニング損失の場合と同様に、多くの局所的なミニマを持つ複雑な関数を考える。我々は、理論物理学からモデルを適用して、Isingモデルに基づく進化最適化アルゴリズムを作成する。提案アルゴリズムは局所最適化の安定な領域を生成し,これらの領域間の改良の可能性を高める。これにより、グローバルなミニマの正確な識別が可能になり、同等のメソッドを超え、アンサンブルに有望な応用が期待できる。

関連論文リスト

Super Gradient Descent: Global Optimization requires Global Gradient [0.0]
本稿では,閉区間上で定義される任意のk-Lipschitz関数に対して,大域最小値への収束を保証する新しい最適化手法を提案する。従来の最適化アルゴリズムの限界に対処するアプローチは、しばしばローカルなミニマに閉じ込められる。
論文参考訳（メタデータ） (2024-10-25T17:28:39Z)
Model-Free Active Exploration in Reinforcement Learning [53.786439742572995]
強化学習における探索問題について検討し,新しいモデルフリーソリューションを提案する。我々の戦略は、最先端の探査アプローチよりも高速に効率的な政策を特定できる。
論文参考訳（メタデータ） (2024-06-30T19:00:49Z)
Characterization of Locality in Spin States and Forced Moves for Optimizations [0.36868085124383626]
最適化問題において、エネルギーランドスケープにおける局所最小値の存在は、世界最小値を求めるために問題となる。そこで我々は,局所最小値から効率よく抜け出すアルゴリズムを開発したが,正確なサンプリングは得られなかった。提案アルゴリズムはリジェクションフリーなアルゴリズムに基づいているため,計算コストは低い。
論文参考訳（メタデータ） (2023-12-05T07:21:00Z)
A General Framework for Sample-Efficient Function Approximation in Reinforcement Learning [132.45959478064736]
モデルベースとモデルフリー強化学習を統合した汎用フレームワークを提案する。最適化に基づく探索のための分解可能な構造特性を持つ新しい推定関数を提案する。本フレームワークでは,OPERA (Optimization-based Exploration with Approximation) という新しいサンプル効率アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-09-30T17:59:16Z)
Fighting the curse of dimensionality: A machine learning approach to finding global optima [77.34726150561087]
本稿では,構造最適化問題におけるグローバル最適化の方法を示す。特定のコスト関数を利用することで、最適化手順が確立された場合と比較して、グローバルをベストに得るか、最悪の場合、優れた結果を得るかのどちらかを得る。
論文参考訳（メタデータ） (2021-10-28T09:50:29Z)
Combined Global and Local Search for Optimization with Gaussian Process Models [1.1602089225841632]
本稿では,最適化フレームワークにAdditive Global and Local GP(AGLGP)モデルを導入する。 AGLGPは誘導点に基づくGPスパース近似に根ざしており、異なる領域の独立局所モデルと組み合わせられている。まず、設計空間全体を非結合な局所領域に分割し、グローバルモデルで有望な領域を特定する。次に、この領域内の詳細な探索をガイドするために、選択された領域の局所モデルが適合する。アルゴリズムは、よい局所解が見つかると、グローバルステップに切り替える。
論文参考訳（メタデータ） (2021-07-07T13:40:37Z)
Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
論文参考訳（メタデータ） (2021-05-26T18:07:19Z)
Why Do Local Methods Solve Nonconvex Problems? [54.284687261929115]
非使用最適化は、現代の機械学習においてユビキタスである。機械学習問題の場合、厳格に定式化します。我々はこの現象の統一的な説明を仮定する。
論文参考訳（メタデータ） (2021-03-24T19:34:11Z)
Non-Convex Optimization with Spectral Radius Regularization [16.086678713206684]
ディープニューラルネットワークのトレーニング中にフラットなミニマを見つけるための正規化手法を開発した。これらのミニマはシャープなミニマよりも一般化され、実世界のテストデータに基づくベースラインよりも優れたモデルが得られる。
論文参考訳（メタデータ） (2021-02-22T17:39:05Z)
Localized active learning of Gaussian process state space models [63.97366815968177]
多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
論文参考訳（メタデータ） (2020-05-04T05:35:02Z)

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。