論文の概要: Automatic Design of Optimization Test Problems with Large Language Models
- arxiv url: http://arxiv.org/abs/2602.02724v1
- Date: Mon, 02 Feb 2026 19:42:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-04 18:37:15.040345
- Title: Automatic Design of Optimization Test Problems with Large Language Models
- Title（参考訳）: 大規模言語モデルを用いた最適化テスト問題の自動設計
- Authors: Wojciech Achtelik, Hubert Guzowski, Maciej Smołka, Jacek Mańdziuk,
- Abstract要約: EoTF(Evolution of Test Functions)は,対象のELA特徴ベクトルとランドスケープが一致した連続最適化テスト関数を自動的に生成するフレームワークである。
EoTFは、ELA特性に密接にマッチした非自明な関数を生成し、一定の評価予算の下で性能ランキングを保持する。
全体として、EoTFはスケーラブルでポータブルで解釈可能なベンチマーク生成プロパティへの実践的なルートを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The development of black-box optimization algorithms depends on the availability of benchmark suites that are both diverse and representative of real-world problem landscapes. Widely used collections such as BBOB and CEC remain dominated by hand-crafted synthetic functions and provide limited coverage of the high-dimensional space of Exploratory Landscape Analysis (ELA) features, which in turn biases evaluation and hinders training of meta-black-box optimizers. We introduce Evolution of Test Functions (EoTF), a framework that automatically generates continuous optimization test functions whose landscapes match a specified target ELA feature vector. EoTF adapts LLM-driven evolutionary search, originally proposed for heuristic discovery, to evolve interpretable, self-contained numpy implementations of objective functions by minimizing the distance between sampled ELA features of generated candidates and a target profile. In experiments on 24 noiseless BBOB functions and a contamination-mitigating suite of 24 MA-BBOB hybrid functions, EoTF reliably produces non-trivial functions with closely matching ELA characteristics and preserves optimizer performance rankings under fixed evaluation budgets, supporting their validity as surrogate benchmarks. While a baseline neural-network-based generator achieves higher accuracy in 2D, EoTF substantially outperforms it in 3D and exhibits stable solution quality as dimensionality increases, highlighting favorable scalability. Overall, EoTF offers a practical route to scalable, portable, and interpretable benchmark generation targeted to desired landscape properties.
- Abstract（参考訳）: ブラックボックス最適化アルゴリズムの開発は、多種多様かつ実世界の問題ランドスケープを代表するベンチマークスイートの可用性に依存している。
BBOBやCECのような広く使われているコレクションは、手作りの合成機能によって支配されており、探索景観分析(ELA)の高次元空間を限定的にカバーしており、それによって評価が偏り、メタブラックボックスオプティマイザのトレーニングを妨げている。
EoTF(Evolution of Test Functions)は、特定のターゲットのELA特徴ベクトルとランドスケープが一致する連続最適化テスト関数を自動的に生成するフレームワークである。
EoTFは、もともとヒューリスティックな発見のために提案されたLLM駆動の進化的探索に適応し、生成された候補のサンプルELA特徴とターゲットプロファイルとの距離を最小化することにより、対象関数の解釈可能な自己完結型実装を進化させる。
24のノイズレスBBOB関数と24のMA-BBOBハイブリッド関数からなる汚染緩和スイートの実験において、EoTFはELA特性に密接に適合した非自明な関数を確実に生成し、固定評価予算下での最適化性能ランキングを保ち、サロゲートベンチマークとしての有効性をサポートする。
ベースラインのニューラルネットワークベースのジェネレータは2Dで高い精度を達成するが、EoTFは3Dではかなり優れており、次元が増加するにつれて安定した解品質を示し、良好なスケーラビリティを強調している。
全体として、EoTFは、望まれるランドスケーププロパティをターゲットにした、スケーラブルでポータブルで解釈可能なベンチマーク生成への実践的なルートを提供する。
関連論文リスト
- 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) - LLM Driven Design of Continuous Optimization Problems with Controllable High-level Properties [2.0539269837079392]
連続的なブラックボックス最適化におけるベンチマークは、BBOBのような既存のテストスイートの構造的多様性の制限によって妨げられる。
本研究では,進化ループに埋め込まれた大規模言語モデルを用いて,高度景観特性を明確に定義した最適化問題を設計できるかどうかを考察する。
論文 参考訳（メタデータ） (2026-01-26T12:34:52Z) - 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) - Optimised Feature Subset Selection via Simulated Annealing [39.58317527488534]
本稿では,$ell_0$-norm特徴選択のための新しいアルゴリズムであるSA-FDRを紹介する。
SA-FDRは、高い予測精度を達成しつつ、よりコンパクトな特徴部分集合を一貫して選択することを示す。
その結果、SA-FDRは高次元設定で解釈可能なモデルを設計するための柔軟で効果的なソリューションを提供する。
論文 参考訳（メタデータ） (2025-07-31T13:57:38Z) - Sculpting Features from Noise: Reward-Guided Hierarchical Diffusion for Task-Optimal Feature Transformation [18.670626228472877]
DIFFTは報酬誘導型生成タスクとしてフィーチャートランスフォーメーションを再定義する。
構造的かつ離散的な特徴を生成し、機能内依存関係を保持しながら、並列な機能間生成を可能にする。
予測精度とロバスト性において、最先端のベースラインを一貫して上回り、トレーニングや推論時間を大幅に低下させる。
論文 参考訳（メタデータ） (2025-05-21T06:18:42Z) - Offline Model-Based Optimization: Comprehensive Review [61.91350077539443]
オフライン最適化は、オフラインデータセットのみを使用してブラックボックス機能の最適化を目標とする、科学とエンジニアリングの基本的な課題である。
モデルベース最適化の最近の進歩は、オフライン固有の代理モデルと生成モデルを開発するために、ディープニューラルネットワークの一般化能力を活用している。
科学的な発見を加速させる効果が増大しているにもかかわらず、この分野は包括的なレビューを欠いている。
論文 参考訳（メタデータ） (2025-03-21T16:35:02Z) - ALOcc: Adaptive Lifting-Based 3D Semantic Occupancy and Cost Volume-Based Flow Predictions [91.55655961014027]
シーン理解には3次元セマンティック占有とフロー予測が不可欠である。
本稿では,3つの改善点を目標とした視覚ベースのフレームワークを提案する。
我々の純粋な畳み込みアーキテクチャは、セマンティック占有率とジョイントセマンティックフロー予測の両方のために、複数のベンチマーク上で新しいSOTA性能を確立する。
論文 参考訳（メタデータ） (2024-11-12T11:32:56Z) - Deterministic Langevin Unconstrained Optimization with Normalizing Flows [3.988614978933934]
我々は,Fokker-Planck方程式とLangevin方程式にインスパイアされたブラックボックス関数に対するグローバルで自由な代理最適化戦略を導入する。
本研究は,標準合成試験関数の最適目的に向けての競争力の向上を実証する。
論文 参考訳（メタデータ） (2023-10-01T17:46:20Z) - BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。
このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。
種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
論文 参考訳（メタデータ） (2023-06-01T04:50:06Z) - RoMA: Robust Model Adaptation for Offline Model-based Optimization [115.02677045518692]
入力出力クエリの静的データセットからブラックボックス目的関数を最大化する入力を探索する問題を考える。
この問題を解決するための一般的なアプローチは、真の客観的関数を近似するプロキシモデルを維持することである。
ここでの大きな課題は、検索中に逆最適化された入力を避ける方法である。
論文 参考訳（メタデータ） (2021-10-27T05:37:12Z) - Towards Explainable Exploratory Landscape Analysis: Extreme Feature
Selection for Classifying BBOB Functions [4.932130498861987]
驚くほど少数の機能(多くの場合4つ未満)が、98%の精度を達成するのに十分であることを示している。
分類精度は、いくつかのインスタンスがトレーニングやテストに関わっている設定に変換されることを示す。
論文 参考訳（メタデータ） (2021-02-01T10:04:28Z)
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。