論文の概要: Further Commentary on the Sooty Tern Optimization Algorithm and Tunicate Swarm Algorithm

• arxiv url: http://arxiv.org/abs/2511.17556v1
• Date: Wed, 12 Nov 2025 21:35:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.268128
• Title: Further Commentary on the Sooty Tern Optimization Algorithm and Tunicate Swarm Algorithm
• Title（参考訳）: Sooty Tern Optimization Algorithm と Tunicate Swarm Algorithm のさらなる解説
• Authors: Ngaiming Kwok,
• Abstract要約: 論文(Kudela, 2022)では、2つのBio-/Natureにインスパイアされた最適化アルゴリズムがゼロバイアスを示した。 このバイアスの源泉を確率論的観点から調べて分析を拡張する。 本研究は, 指数関数, 三角関数, 乱数分割を含む操作が, 設計上の欠陥の原因であることを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the article (Kudela, 2022), experimental demonstrations indicated that two Bio-/Nature inspired optimization algorithms (BNIOAs), Sooty Tern Optimization Algorithm (STOA) and Tunicate Swarm Algorithm (TSA), exhibit a zero-bias, leading to the conclusion that the claims made in the original papers were overstated. In this work, we extend the analysis by investigating the source of this bias from a probabilistic perspective. Our findings suggest that operations involving exponentiation, trigonometric functions, and divisions between random numbers are the primary causes of design flaws. These operations result in probability density distributions with a noticeable shift toward zero. Therefore, the application of these two algorithms should be approached with due caution.
• Abstract（参考訳）: 論文 (Kudela, 2022) において、実験的なデモンストレーションにより、2つのbio-/Natureインスパイアされた最適化アルゴリズム (BNIOAs) 、Sooty Tern Optimization Algorithm (STOA) 、Tunicate Swarm Algorithm (TSA) がゼロバイアスを示し、元の論文の主張が過大評価されているという結論に至った。 本研究では,確率論的観点から,このバイアスの源泉を調査して分析を拡張した。 本研究は, 指数関数, 三角関数, 乱数分割を含む操作が, 設計上の欠陥の原因であることを示唆している。 これらの演算は、0への顕著なシフトを伴う確率密度分布をもたらす。 したがって,この2つのアルゴリズムの適用には注意が必要である。

関連論文リスト

• Stochastic Bayesian Optimization with Unknown Continuous Context Distribution via Kernel Density Estimation [28.413085548038932]
  本稿では,カーネル密度推定を用いて連続文脈変数の確率密度関数(PDF)をオンラインで学習する2つのアルゴリズムを提案する。 理論的結果は、両方のアルゴリズムが期待する目的に対して準線形ベイズ累積後悔を持つことを示している。
  論文  参考訳（メタデータ） (2023-12-16T11:32:28Z)
• Fast Computation of Optimal Transport via Entropy-Regularized Extragradient Methods [75.34939761152587]
  2つの分布間の最適な輸送距離の効率的な計算は、様々な応用を促進するアルゴリズムとして機能する。 本稿では,$varepsilon$加法精度で最適な輸送を計算できるスケーラブルな一階最適化法を提案する。
  論文  参考訳（メタデータ） (2023-01-30T15:46:39Z)
• Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
  決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。 厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。 このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
  論文  参考訳（メタデータ） (2021-11-29T15:10:09Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)
• Optimal and Practical Algorithms for Smooth and Strongly Convex Decentralized Optimization [21.555331273873175]
  ネットワークのノードにまたがるスムーズな凸関数の和を分散化最小化する作業について検討する。 本稿では,この分散最適化問題に対する2つの新しいアルゴリズムを提案し,複雑性を保証する。
  論文  参考訳（メタデータ） (2020-06-21T11:23:20Z)
• Active Model Estimation in Markov Decision Processes [108.46146218973189]
  マルコフ決定過程(MDP)をモデル化した環境の正確なモデル学習のための効率的な探索の課題について検討する。 マルコフに基づくアルゴリズムは,本アルゴリズムと極大エントロピーアルゴリズムの両方を小サンプル方式で上回っていることを示す。
  論文  参考訳（メタデータ） (2020-03-06T16:17:24Z)

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。