論文の概要: Loop-Extrusion Linkage: Spectral Ordering and Interval-Based Structure Discovery for Continuous Optimization

• arxiv url: http://arxiv.org/abs/2604.04273v1
• Date: Sun, 05 Apr 2026 21:26:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.019142
• Title: Loop-Extrusion Linkage: Spectral Ordering and Interval-Based Structure Discovery for Continuous Optimization
• Title（参考訳）: Loop-Extrusion Linkage:連続最適化のためのスペクトル順序付けと区間構造探索
• Authors: Eren Unlu,
• Abstract要約: 本稿では,適応変数インター推定,ファイドラーベクトルによるスペクトルセレーション,適応間隔に基づく部分空間探索を組み合わせた構造学習ラッパーであるLoop-Extrusion(LEL)演算子を紹介する。 特定の構造仮説を変調したd=96の6つの診断関数についてLELを評価した。 結果は、ホルム=ボンフェロニ補正とヴァルガ=デレーニーA12効果の大きさでウィルコクソンのサインランク試験によって評価される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid growth of nature-inspired metaheuristics has exposed a persistent gap between metaphorical novelty and genuine algorithmic advancement. Motivated by the biophysics of chromatin loop extrusion -- a well-characterized genome-folding process driven by SMC motor complexes and conditional barriers -- we introduce the Loop-Extrusion Linkage (LEL) operator, a structure-learning wrapper that combines online variable-interaction estimation, spectral seriation via the Fiedler vector, and adaptive interval-based subspace search. LEL constructs a sparse interaction graph from successful optimization steps, derives a heuristic one-dimensional variable ordering, and generates overlapping evaluation subsets through stochastic interval growth modulated by learned boundary-crossing probabilities. We evaluate LEL on six synthetic diagnostic functions at d=96 designed to probe specific structural hypotheses -- contiguous blocks, permuted blocks, overlapping windows, banded chains, separable controls, and dense rotated couplings -- across 10^4 and 5 x 10^4 evaluation budgets with 15 independent seeds. Results are assessed via the Wilcoxon signed-rank test with Holm-Bonferroni correction and Vargha-Delaney A12 effect sizes. At 10^4 evaluations, Full LEL achieves the best median log-gap on 3 of 6 functions significantly outperforming all ablations and jSO on the structured tasks. At 5 x 10^4 evaluations, simpler ablations and baselines often surpass the full method, indicating that the adaptive barrier mechanism may over-constrain late-stage search on uniformly partitioned landscapes. The strongest supported finding is that learned spectral ordering consistently improves over graph-only grouping and random variable ordering, suggesting that interaction-graph seriation is the most valuable component of the proposed framework.
• Abstract（参考訳）: 自然に触発されたメタヒューリスティックスの急速な成長は、比喩的新奇性と真のアルゴリズムの進歩の間に永続的なギャップを露呈している。 クロマチンループ押出法(SMCモーターコンプレックスと条件付きバリアによって駆動される、よくキャラクタライズされたゲノム折り畳み法)の生体物理学により、オンライン変数-相互作用推定、Fiedlerベクターによるスペクトルセレーション、適応間隔に基づく部分空間探索を組み合わせた構造学習ラッパーであるLoop-Extrusion Linkage (LEL)演算子を導入する。 LELは、最適化に成功したステップからスパース相互作用グラフを構築し、ヒューリスティックな1次元変数順序付けを導出し、学習された境界交差確率によって変調された確率的間隔成長を通じて重なり合う評価部分集合を生成する。 特定構造仮説 (連続ブロック, 置換ブロック, 重なり合う窓, 帯状鎖, 分離制御, 密な回転結合) を, 10^4 と 5 x 10^4 の評価予算に対して 15 個の独立種で探索するために設計した d=96 において, LEL を6つの合成診断関数で評価した。 結果は、ホルム=ボンフェロニ補正とヴァルガ=デレーニーA12効果の大きさでウィルコクソンのサインランク試験によって評価される。 10^4の評価では、フルLELは6つの関数のうち3つの関数で最高の中央値のログギャップを達成し、構造化されたタスクにおける全てのアブレーションとjSOを著しく上回っている。 5×10^4の評価では、より単純な短縮とベースラインが完全な手法を超越することが多く、適応障壁機構が一様に区切られた風景の後期探索を過剰に抑制する可能性があることを示している。 最も支持されている発見は、学習されたスペクトル順序付けがグラフのみのグルーピングとランダムな変数順序付けよりも一貫して改善されることであり、相互作用グラフセレーションが提案されたフレームワークの最も重要なコンポーネントであることを示している。

関連論文リスト

• Almost Asymptotically Optimal Active Clustering Through Pairwise Observations [59.20614082241528]
  そこで本研究では, ノイズと能動的に収集された応答を用いて, M$アイテムを未知数の$K$個別グループにクラスタリングするための新しい分析フレームワークを提案する。 クラスタリングの精度に対する望ましい信頼性を達成するのに必要なクエリ数の基本的下位境界を確立する。 我々は、一般化された同値比統計の計算可能な変種を開発し、その下限に対する性能ギャップを正確に推定できることを実証的に示す。
  論文  参考訳（メタデータ） (2026-02-05T14:16:47Z)
• Differentiable Logic Synthesis: Spectral Coefficient Selection via Sinkhorn-Constrained Composition [0.0]
  凍結フーリエ基底からスペクトル係数を選択する微分可能なアーキテクチャである階層スペクトル合成を導入する。 我々はこのフレームワークを論理合成に適用し、ブール否定を可能にするカラムサイン変調を追加する。
  論文  参考訳（メタデータ） (2026-01-20T13:26:52Z)
• Closing the Approximation Gap of Partial AUC Optimization: A Tale of Two Formulations [121.39938773554523]
  ROC曲線の下の領域(AUC)は、クラス不均衡と決定制約の両方を持つ実世界のシナリオにおける重要な評価指標である。 PAUC最適化の近似ギャップを埋めるために,2つの簡単なインスタンス単位のミニマックス修正を提案する。 得られたアルゴリズムは、サンプルサイズと典型的な一方方向と双方向のPAUCに対して$O(-2/3)$の収束率の線形パーイテレーション計算複雑性を享受する。
  論文  参考訳（メタデータ） (2025-12-01T02:52:33Z)
• STRIDE: Subset-Free Functional Decomposition for XAI in Tabular Settings [0.0]
  私たちはSTRIDEを紹介します。これは"何"機能に答えるフレームワークですが、どのように"相互作用する"のかを明らかにすることができません。 また、学習した相互作用を分離し、その寄与を定量化する診断である「コンポーネント手術」も導入する。
  論文  参考訳（メタデータ） (2025-09-11T00:19:53Z)
• CLEAR: Conv-Like Linearization Revs Pre-Trained Diffusion Transformers Up [64.38715211969516]
  CLEARと呼ばれる畳み込み型ローカルアテンション戦略を導入し,各クエリトークンの周囲のローカルウィンドウに特徴的インタラクションを限定する。 実験により,10K反復で10Kの自己生成サンプルに注意層を微調整することにより,事前学習したDiTから線形複雑度のある学生モデルへの知識伝達を効果的に行うことができた。
  論文  参考訳（メタデータ） (2024-12-20T17:57:09Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Estimating Higher-Order Mixed Memberships via the $\ell_{2,\infty}$ Tensor Perturbation Bound [8.521132000449766]
  テンソルブロックモデルの一般化であるテンソル混合メンバーシップブロックモデルを提案する。 我々は,モデルの同定可能性を確立し,計算効率の良い推定手法を提案する。 本手法を実データおよびシミュレーションデータに適用し,個別のコミュニティメンバーシップを持つモデルから特定できない効果を示す。
  論文  参考訳（メタデータ） (2022-12-16T18:32:20Z)
• Optimal Clustering with Bandit Feedback [57.672609011609886]
  本稿では,バンディットフィードバックを用いたオンラインクラスタリングの問題点について考察する。 これは、NPハード重み付きクラスタリング問題をサブルーチンとして解決する必要性を回避するための、シーケンシャルなテストのための新しい停止規則を含む。 合成および実世界のデータセットの広範なシミュレーションを通して、BOCの性能は下界と一致し、非適応的ベースラインアルゴリズムよりも大幅に優れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T06:05:05Z)

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。