論文の概要: A Methodology for Effective Surrogate Learning in Complex Optimization

• arxiv url: http://arxiv.org/abs/2602.08825v1
• Date: Mon, 09 Feb 2026 15:57:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.341885
• Title: A Methodology for Effective Surrogate Learning in Complex Optimization
• Title（参考訳）: 複雑な最適化における効果的なサロゲート学習の一手法
• Authors: Tomohiro Harada, Enrique Alba, Gabriel Luque,
• Abstract要約: 我々はPTME手法を導入し、その精度、時間、記憶、エネルギー消費を分析して深層学習サロゲートの研究を行う。 本研究では,欧州の都市において,信号機のネットワークを最適に整理する上での真の問題として,異なるサロゲートを提案する。 我々は、実際の都市における意思決定に、新しい最適化メタヒューリスティックに構築されたサロゲートを使用します。
• 参考スコア（独自算出の注目度）: 0.4231181719953952
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solving complex problems requires continuous effort in developing theory and practice to cope with larger, more difficult scenarios. Working with surrogates is normal for creating a proxy that realistically models the problem into the computer. Thus, the question of how to best define and characterize such a surrogate model is of the utmost importance. In this paper, we introduce the PTME methodology to study deep learning surrogates by analyzing their Precision, Time, Memory, and Energy consumption. We argue that only a combination of numerical and physical performance can lead to a surrogate that is both a trusted scientific substitute for the real problem and an efficient experimental artifact for scalable studies. Here, we propose different surrogates for a real problem in optimally organizing the network of traffic lights in European cities and perform a PTME study on the surrogates' sampling methods, dataset sizes, and resource consumption. We further use the built surrogates in new optimization metaheuristics for decision-making in real cities. We offer better techniques and conclude that the PTME methodology can be used as a guideline for other applications and solvers.
• Abstract（参考訳）: 複雑な問題を解決するには、より大きく、より困難なシナリオに対処する理論と実践を開発するための継続的な努力が必要である。 代理で作業することは、問題を現実的にコンピュータにモデル化するプロキシを作成するのに普通です。 したがって、そのような代理モデルをどのように定義し、特徴付けるかという問題は最も重要である。 本稿では,その精度,時間,記憶,エネルギー消費を分析し,深層学習サロゲートの研究を行うPTME手法を提案する。 数値と物理的性能の組み合わせだけでは、実際の問題に対する信頼性のある科学的代用であり、スケーラブルな研究のための効率的な実験的アーティファクトであるサロゲートにつながると我々は主張する。 本稿では,欧州の都市における信号機のネットワークを最適に整理する上で,様々なサロゲートを提案するとともに,サロゲートのサンプリング方法,データセットサイズ,資源消費に関するPTME研究を行う。 実際の都市における意思決定に新たな最適化メタヒューリスティックスで構築されたサロゲートをさらに活用する。 我々は、より優れた技術を提供し、PTME方法論を他のアプリケーションやソルバのガイドラインとして利用できると結論づける。

関連論文リスト

• Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration [63.61423859450929]
  この白書は、DESCの主要な宇宙探査と横断的分析を通して、AI/MLの現在の状況を調査している。 本研究では,大規模ベイズ推定,物理インフォームド手法,検証フレームワーク,発見のための能動的学習など,主要な方法論研究の優先事項を明らかにする。
  論文  参考訳（メタデータ） (2026-01-20T18:46:42Z)
• Energy and Quality of Surrogate-Assisted Search Algorithms: a First Analysis [2.0099933815960256]
  我々は,サロゲートがメタヒューリスティック(メタヒューリスティック,メタヒューリスティック,メタヒューリスティック,メタヒューリスティック,メタヒューリスティック)をいかに支援しているかを研究する。 我々の結論は、このトピックに新たな光を当て、サロゲート支援アルゴリズムを評価するための方法論への第一歩として理解することができる。
  論文  参考訳（メタデータ） (2025-08-11T07:07:55Z)
• Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
  強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。 大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。 統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:47:00Z)
• Towards Sample-Efficiency and Generalization of Transfer and Inverse Reinforcement Learning: A Comprehensive Literature Review [43.27239522837257]
  本稿では,転送および逆強化学習(T-IRL)によるRLアルゴリズムのサンプル効率と一般化を実現するための総合的なレビューを行う。 以上の結果から,最近の研究成果の大部分は,人間のループとシム・トゥ・リアル戦略を活用することで,上記の課題に対処していることが示唆された。 IRL構造の下では、経験の少ない移行と、そのようなフレームワークのマルチエージェントおよびマルチインテンション問題への拡張を必要とするトレーニングスキームが近年研究者の優先事項となっている。
  論文  参考訳（メタデータ） (2024-11-15T15:18:57Z)
• A Tutorial on the Design, Experimentation and Application of Metaheuristic Algorithms to Real-World Optimization Problems [16.890440704820367]
  メタヒューリスティックの設計と使用に関する数十年の歴史的進歩にもかかわらず、新しい技術成果の理解可能性、アルゴリズム設計の正しさ、性能検証性に関して大きな困難が残っている。 この研究は、最適化に使用されるメタヒューリスティックス手法の研究を行う際に、受け入れるべき良いプラクティスの提案を聴衆に提供することを目的としている。
  論文  参考訳（メタデータ） (2024-10-04T07:41:23Z)
• Enhancing Inverse Problem Solutions with Accurate Surrogate Simulators and Promising Candidates [0.7499722271664147]
  スパロゲートシミュレータの精度がニューラルアジョイント法(NA)の解に及ぼす影響はいまだ不明である。 我々は,十分な数の解候補を効率的に最適化できるニューラルラグランジアン法(NeuLag)と呼ばれるNA法の拡張を開発する。
  論文  参考訳（メタデータ） (2023-04-26T23:05:57Z)
• Learning (Local) Surrogate Loss Functions for Predict-Then-Optimize Problems [58.954414264760956]
  決定焦点学習(Decision-Focused Learning, DFL)は、予測モデルを下流の最適化タスクに調整するためのパラダイムである。 本稿では,(a)最適化問題を解き,一般化可能なブラックボックスオラクルへのアクセスのみを必要とする忠実なタスク固有サロゲートを学習し,(b)勾配で凸し,容易に最適化できる手法を提案する。
  論文  参考訳（メタデータ） (2022-03-30T05:46:54Z)
• A Field Guide to Federated Optimization [161.3779046812383]
  フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。 本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
  論文  参考訳（メタデータ） (2021-07-14T18:09:08Z)
• An Online Method for A Class of Distributionally Robust Optimization with Non-Convex Objectives [54.29001037565384]
  本稿では,オンライン分散ロバスト最適化(DRO)のクラスを解決するための実用的なオンライン手法を提案する。 本研究は,ネットワークの堅牢性向上のための機械学習における重要な応用を実証する。
  論文  参考訳（メタデータ） (2020-06-17T20:19:25Z)

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。