論文の概要: OPAL: Operator-Programmed Algorithms for Landscape-Aware Black-Box Optimization
- arxiv url: http://arxiv.org/abs/2512.12809v1
- Date: Sun, 14 Dec 2025 19:16:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-16 17:54:56.452441
- Title: OPAL: Operator-Programmed Algorithms for Landscape-Aware Black-Box Optimization
- Title（参考訳）: OPAL: 景観を考慮したブラックボックス最適化のための演算子プログラミングアルゴリズム
- Authors: Junbo Jacob Lian, Mingyang Yu, Kaichen Ouyang, Shengwei Fu, Rui Zhong, Yujun Zhang, Jun Zhang, Huiling Chen,
- Abstract要約: 演算子プログラミングアルゴリズム(OPAL)でこのアイデアをインスタンス化する
OPALは、継続的なブラックボックス最適化のためのランドスケープ対応フレームワークである。
単一のメタ訓練されたOPALポリシーは、最先端の適応微分進化変種と統計的に競合する。
- 参考スコア（独自算出の注目度）: 14.153159547871352
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Black-box optimization often relies on evolutionary and swarm algorithms whose performance is highly problem dependent. We view an optimizer as a short program over a small vocabulary of search operators and learn this operator program separately for each problem instance. We instantiate this idea in Operator-Programmed Algorithms (OPAL), a landscape-aware framework for continuous black-box optimization that uses a small design budget with a standard differential evolution baseline to probe the landscape, builds a $k$-nearest neighbor graph over sampled points, and encodes this trajectory with a graph neural network. A meta-learner then maps the resulting representation to a phase-wise schedule of exploration, restart, and local search operators. On the CEC~2017 test suite, a single meta-trained OPAL policy is statistically competitive with state-of-the-art adaptive differential evolution variants and achieves significant improvements over simpler baselines under nonparametric tests. Ablation studies on CEC~2017 justify the choices for the design phase, the trajectory graph, and the operator-program representation, while the meta-components add only modest wall-clock overhead. Overall, the results indicate that operator-programmed, landscape-aware per-instance design is a practical way forward beyond ad hoc metaphor-based algorithms in black-box optimization.
- Abstract（参考訳）: ブラックボックスの最適化は、しばしば問題に大きく依存する進化的アルゴリズムとスウォームアルゴリズムに依存している。
我々は、オプティマイザを、探索演算子の小さな語彙上の短いプログラムとみなし、各問題インスタンスに対して、この演算子プログラムを個別に学習する。
我々は、このアイデアをOperator-Programmed Algorithms (OPAL)でインスタンス化します。これは連続的なブラックボックス最適化のためのランドスケープ対応フレームワークで、標準的な差分進化ベースラインを持つ小さな設計予算を使用して、ランドスケープを探索し、サンプリングされた点の上に$k$-nearestの隣のグラフを構築し、この軌道をグラフニューラルネットワークでエンコードします。
メタラーナーは、結果の表現を探索、再起動、ローカル検索演算子のフェーズワイズなスケジュールにマッピングする。
CEC~2017テストスイートでは、単一のメタトレーニングされたOPALポリシーが、最先端の適応微分進化変種と統計的に競合し、非パラメトリックテストの下でより単純なベースラインよりも大幅に改善されている。
CEC~2017のアブレーション研究は、設計フェーズ、軌道グラフ、演算子-プログラム表現の選択を正当化する一方、メタコンポーネントはわずかに壁面のオーバーヘッドを増すだけである。
全体として、演算子にプログラムされたランドスケープ・アウェア・インスタンス・パー・スタンス・デザインは、ブラックボックス最適化におけるアドホックなメタファーベースのアルゴリズムを超える実践的な方法であることを示している。
関連論文リスト
- A projection-based framework for gradient-free and parallel learning [50.96641619247761]
私たちはこのパラダイムを実現するJAXベースのソフトウェアフレームワークであるPJAXを紹介します。
PJAXは基本演算に対する射影演算子を構成し、実現可能性問題に対する解演算子を自動的に導出する。
各種アーキテクチャ(MLP、CNN、RNN)を標準ベンチマークでPJAXを用いてトレーニングし、その汎用性を実証する。
論文 参考訳（メタデータ） (2025-06-06T08:44:56Z) - Navigation Variable-based Multi-objective Particle Swarm Optimization for UAV Path Planning with Kinematic Constraints [0.8192907805418583]
無人航空機(UAV)は、UAVがタスクを完了するために従わなければならない経路を決定するため、経路計画が不可欠である。
この研究は、ナビゲーション変数に基づく多目的粒子群最適化(NMOPSO)と呼ばれる新しいアルゴリズムを導入する。
このアルゴリズムは、航法変数に基づく新しい経路表現を特徴とし、キネマティック制約を含み、UAVの操作可能な特性を利用する。
論文 参考訳（メタデータ） (2025-01-03T16:07:37Z) - GPU Based Differential Evolution: New Insights and Comparative Study [7.5961910202572644]
この研究は、GPUベースの微分進化アルゴリズムの文献における主要なアーキテクチャ選択についてレビューする。
新しいGPUベースの数値最適化ベンチマークを導入し、GPUベースのDEMアルゴリズムを評価し比較する。
論文 参考訳（メタデータ） (2024-05-26T12:40:39Z) - Beyond Single-Model Views for Deep Learning: Optimization versus
Generalizability of Stochastic Optimization Algorithms [13.134564730161983]
本稿では、勾配降下(SGD)とその変種に着目し、ディープラーニングの最適化に新しいアプローチを採用する。
我々はSGDとその変種がSAMのような平らなミニマと同等の性能を示すことを示した。
本研究は、トレーニング損失とホールドアウト精度の関係、およびSGDとノイズ対応変種の性能について、いくつかの重要な知見を明らかにした。
論文 参考訳（メタデータ） (2024-03-01T14:55:22Z) - Bayesian Optimization over Permutation Spaces [30.650753803587794]
BOPS (Permutation Spaces) に対する2つのアルゴリズムの提案と評価を行った。
BOPS-Tの性能を理論的に解析し,その後悔がサブリニアに増加することを示す。
複数の合成および実世界のベンチマーク実験により、BOPS-TとBOPS-Hは、空間に対する最先端のBOアルゴリズムよりも優れた性能を示した。
論文 参考訳（メタデータ） (2021-12-02T08:20:50Z) - Joint inference and input optimization in equilibrium networks [68.63726855991052]
ディープ均衡モデル(Deep equilibrium model)は、従来のネットワークの深さを予測し、代わりに単一の非線形層の固定点を見つけることによってネットワークの出力を計算するモデルのクラスである。
この2つの設定の間には自然なシナジーがあることが示されています。
この戦略は、生成モデルのトレーニングや、潜時符号の最適化、デノベートやインペインティングといった逆問題に対するトレーニングモデル、対逆トレーニング、勾配に基づくメタラーニングなど、様々なタスクにおいて実証される。
論文 参考訳（メタデータ） (2021-11-25T19:59:33Z) - Meta Learning Black-Box Population-Based Optimizers [0.0]
人口ベースのブラックボックス一般化を推論するメタラーニングの利用を提案する。
メタロス関数は,学習アルゴリズムが検索動作を変更することを促進し,新たなコンテキストに容易に適合できることを示す。
論文 参考訳（メタデータ） (2021-03-05T08:13:25Z) - A Flexible Framework for Designing Trainable Priors with Adaptive
Smoothing and Game Encoding [57.1077544780653]
我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。
グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。
このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
論文 参考訳（メタデータ） (2020-06-26T08:34:54Z) - A Primer on Zeroth-Order Optimization in Signal Processing and Machine
Learning [95.85269649177336]
ZO最適化は、勾配推定、降下方向、ソリューション更新の3つの主要なステップを反復的に実行する。
我々は,ブラックボックス深層学習モデルによる説明文の評価や生成,効率的なオンラインセンサ管理など,ZO最適化の有望な応用を実証する。
論文 参考訳（メタデータ） (2020-06-11T06:50:35Z) - Differentiable Top-k Operator with Optimal Transport [135.36099648554054]
SOFTトップk演算子は、エントロピック最適輸送(EOT)問題の解として、トップk演算の出力を近似する。
提案した演算子をk-アネレスト近傍およびビーム探索アルゴリズムに適用し,性能向上を示す。
論文 参考訳（メタデータ） (2020-02-16T04:57:52Z) - Variance Reduction with Sparse Gradients [82.41780420431205]
SVRGやSpiderBoostのような分散還元法では、大きなバッチ勾配と小さなバッチ勾配が混在している。
我々は、新しい空間演算子:ランダムトップk演算子を導入する。
我々のアルゴリズムは、画像分類、自然言語処理、スパース行列分解など様々なタスクにおいて、一貫してSpiderBoostより優れています。
論文 参考訳（メタデータ） (2020-01-27T08:23:58Z)
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。