論文の概要: Meta-Black-Box Optimization with Bi-Space Landscape Analysis and Dual-Control Mechanism for SAEA

• arxiv url: http://arxiv.org/abs/2511.15551v1
• Date: Wed, 19 Nov 2025 15:43:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.875929
• Title: Meta-Black-Box Optimization with Bi-Space Landscape Analysis and Dual-Control Mechanism for SAEA
• Title（参考訳）: SAEAのための二空間景観解析とデュアル制御機構を用いたメタブラックボックス最適化
• Authors: Yukun Du, Haiyue Yu, Xiaotong Xie, Yan Zheng, Lixin Zhan, Yudong Du, Chongshuang Hu, Boxuan Wang, Jiang Jiang,
• Abstract要約: この研究は、SAEAを二重レベルに制御する最初のMetaBBOフレームワークと、代理モデル情報をキャプチャするバイスペースERAを紹介する。 DB-SAEAは、様々なベンチマークで最先端のベースラインを上回るだけでなく、高次元設定で見えないタスクに強力なゼロショット転送を示す。
• 参考スコア（独自算出の注目度）: 8.45452791601094
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Surrogate-Assisted Evolutionary Algorithms (SAEAs) are widely used for expensive Black-Box Optimization. However, their reliance on rigid, manually designed components such as infill criteria and evolutionary strategies during the search process limits their flexibility across tasks. To address these limitations, we propose Dual-Control Bi-Space Surrogate-Assisted Evolutionary Algorithm (DB-SAEA), a Meta-Black-Box Optimization (MetaBBO) framework tailored for multi-objective problems. DB-SAEA learns a meta-policy that jointly regulates candidate generation and infill criterion selection, enabling dual control. The bi-space Exploratory Landscape Analysis (ELA) module in DB-SAEA adopts an attention-based architecture to capture optimization states from both true and surrogate evaluation spaces, while ensuring scalability across problem dimensions, population sizes, and objectives. Additionally, we integrate TabPFN as the surrogate model for accurate and efficient prediction with uncertainty estimation. The framework is trained via reinforcement learning, leveraging parallel sampling and centralized training to enhance efficiency and transferability across tasks. Experimental results demonstrate that DB-SAEA not only outperforms state-of-the-art baselines across diverse benchmarks, but also exhibits strong zero-shot transfer to unseen tasks with higher-dimensional settings. This work introduces the first MetaBBO framework with dual-level control over SAEAs and a bi-space ELA that captures surrogate model information.
• Abstract（参考訳）: Surrogate-Assisted Evolutionary Algorithms (SAEA) は高価なブラックボックス最適化に広く使われている。 しかし,入力基準や探索過程における進化戦略など,厳格で手作業で設計したコンポーネントに依存しているため,タスク間の柔軟性が制限される。 これらの制約に対処するため,多目的問題に適したメタブラックボックス最適化(MetaBBO)フレームワークであるDual-Control Bi-Space Surrogate-Assisted Evolutionary Algorithm (DB-SAEA)を提案する。 DB-SAEAは、候補生成と入力基準の選択を共同で規制し、二重制御を可能にするメタポリシーを学習する。 DB-SAEA のバイスペース探索ランドスケープ解析 (ELA) モジュールは、問題次元、人口規模、目的のスケーラビリティを確保しつつ、真の評価空間と代理評価空間の両方から最適化状態を取得するためにアテンションベースのアーキテクチャを採用している。 さらに,TabPFNをサロゲートモデルとして統合し,不確実性推定による高精度かつ効率的な予測を行う。 フレームワークは強化学習を通じてトレーニングされ、並列サンプリングと集中型トレーニングを活用して、タスク間の効率性と転送性を向上させる。 実験の結果、DB-SAEAは様々なベンチマークで最先端のベースラインを上回るだけでなく、高次元設定で見えないタスクに強いゼロショット転送を示すことがわかった。 この研究は、SAEAを二重レベルに制御する最初のMetaBBOフレームワークと、代理モデル情報をキャプチャするバイスペースERAを紹介する。

関連論文リスト

• Surrogate Ensemble in Expensive Multi-Objective Optimization via Deep Q-Learning [17.84264663466905]
  サロゲート支援進化アルゴリズム(SAEA)は、高価な最適化問題を解く上で有望な堅牢性を示している。 SAEAsの有効性に影響を与える重要な側面は、モデル選択の代理である。 一つの最適化プロセス内で異なる代理モデルをスケジューリングできるSEEMOOと呼ばれる強化学習支援アンサンブルフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-31T06:14:27Z)
• Task-free Adaptive Meta Black-box Optimization [55.461814601130044]
  対象タスクからのみ最適化データを用いてオンラインパラメータ適応を行うアダプティブメタブラックボックス最適化モデル(ABOM)を提案する。 メタトレーニングと最適化フェーズを分離する従来のメタBBOフレームワークとは異なり、ABOMはクローズドループパラメータ学習機構を導入し、パラメータ化された進化演算子を継続的に自己更新する。 このパラダイムシフトはゼロショット最適化を可能にする: 合成BBOベンチマークにおけるABOMの競合性能と、手作りのトレーニングタスクを伴わない現実的な無人飛行路計画問題。
  論文  参考訳（メタデータ） (2026-01-29T09:54:10Z)
• MAXS: Meta-Adaptive Exploration with LLM Agents [48.04723638253802]
  MaxSはLarge Language Model (LLM) Agentsをベースにしたメタ適応推論フレームワークである。 MAXSは、いくつかのステップを進む推論パスを拡張するために、ルックアヘッド戦略を採用している。 ステップの一貫性のばらつきとステップ間のトレンドスロープを組み合わせることで、安定で一貫性があり、高い値の推論ステップを共同で選択する。
  論文  参考訳（メタデータ） (2026-01-14T07:48:00Z)
• Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
  LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。 LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。 私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
  論文  参考訳（メタデータ） (2026-01-10T09:49:45Z)
• BAMBO: Construct Ability and Efficiency LLM Pareto Set via Bayesian Adaptive Multi-objective Block-wise Optimization [4.196004665145396]
  BAMBO(Bayesian Adaptive Multi-objective Block-wise Optimization)は、大規模言語モデル(LLM)を自動的に構築する新しいフレームワークである。 1次元クラスタリング問題として定式化されたこの戦略は、動的プログラミング手法を利用してブロック内およびブロック間情報の分散を最適にバランスさせる。
  論文  参考訳（メタデータ） (2025-12-10T15:32:56Z)
• Benchmarking Generative AI Against Bayesian Optimization for Constrained Multi-Objective Inverse Design [0.15293427903448018]
  本稿では,制約付き多目的回帰タスクを解くための生成可能な言語モデル(LLM)の性能について検討する。 最高の性能のLDM(Math-7B)は1.21の世代距離(GD)を達成した。 この知見は, 樹脂, レオロジー, 化学特性の定式化設計の最適化に, 直接工業的応用が期待できる。
  論文  参考訳（メタデータ） (2025-10-29T10:37:09Z)
• EmbodiedBrain: Expanding Performance Boundaries of Task Planning for Embodied Intelligence [17.644658293987955]
  身体的AIエージェントは、物理的環境における堅牢な空間認識、効果的なタスク計画、適応実行を行うことができる。 現在の大規模言語モデル (LLMs) とマルチモーダルLLM (MLLMs) の具体化タスクは、重要な制約に悩まされている。 EmbodiedBrain は 7B と 32B のパラメータサイズで利用できる新しい視覚言語基盤モデルである。
  論文  参考訳（メタデータ） (2025-10-23T14:05:55Z)
• Machine Learning Algorithms for Improving Black Box Optimization Solvers [4.994218549120224]
  Black-box Optimization (BBO) は、コストのかかるクエリによってのみ目的がアクセス可能な問題に対処する。 近年の進歩は機械学習(ML)と強化学習(RL)を用いてBBOを強化している。
  論文  参考訳（メタデータ） (2025-09-29T23:28:42Z)
• Instance Generation for Meta-Black-Box Optimization through Latent Space Reverse Engineering [40.87441419713584]
  我々は,MetaBBOsがより一般化可能なポリシを学習するための多様なトレーニング問題インスタンスを生成する,textbfLSREと呼ばれるインスタンス生成手法を提案する。 各種メタBBOをDiverse-BBOでトレーニングすることでLSREの有効性を検証し,その一般化性能を合成シナリオか現実シナリオかで観察する。
  論文  参考訳（メタデータ） (2025-09-19T09:37:48Z)
• BERT4beam: Large AI Model Enabled Generalized Beamforming Optimization [77.17508487745026]
  本稿では,ビームフォーミング最適化のための大規模AIモデルについて検討する。 本稿では、BERT4エンコーダと呼ばれる変換器(BERT)からの双方向エンコーダ表現に基づく新しいフレームワークを提案する。 本フレームワークをベースとして,単一タスクとマルチタスクのビームフォーミング最適化のためのBERTベースの2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-14T02:49:29Z)
• 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)
• Feasibility-Driven Trust Region Bayesian Optimization [0.048748194765816946]
  FuRBOは、次の候補解が選択される信頼領域を反復的に定義する。 我々は,フルBBOB制約ベンチマークスイートの広範なテストを通じて,FuRBOの有効性を実証的に実証した。
  論文  参考訳（メタデータ） (2025-06-17T15:16:22Z)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)
• Meta-Learning with Neural Tangent Kernels [58.06951624702086]
  メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。 このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。 本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
  論文  参考訳（メタデータ） (2021-02-07T20:53:23Z)

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。