論文の概要: Block-Bench: A Framework for Controllable and Transparent Discrete Optimization Benchmarking

• arxiv url: http://arxiv.org/abs/2604.06973v1
• Date: Wed, 08 Apr 2026 11:44:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.500087
• Title: Block-Bench: A Framework for Controllable and Transparent Discrete Optimization Benchmarking
• Title（参考訳）: Block-Bench: 制御可能で透過的な離散最適化ベンチマークのためのフレームワーク
• Authors: Furong Ye, Frank Neumann, Thomas Bäck, Niki van Stein,
• Abstract要約: 各ブロック関数は変数のサブセットを実値にマッピングする。 我々のフレームワークは,目的空間だけでなく,得られた解の変数表現のレベルでも,アルゴリズムの挙動を解析することができる。
• 参考スコア（独自算出の注目度）: 8.439354142056201
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present a novel approach for constructing discrete optimization benchmarks that enables fine-grained control over problem properties, and such benchmarks can facilitate analyzing discrete algorithm behaviors. We build benchmark problems based on a set of block functions, where each block function maps a subset of variables to a real value. Problems are instantiated through a set of block functions, weight factors, and an adjacency graph representing the dependency among the block functions. Through analyzing intermediate block values, our framework allows to analyze algorithm behavior not only in the objective space but also at the level of variable representations in the obtained solutions. This capacity is particularly useful for analyzing discrete heuristics in large-scale multi-modal problems, thereby enhancing the practical relevance of benchmark studies. We demonstrate how the proposed approach can inspire the related work in self-adaptation and diversity control in evolutionary algorithms. Moreover, we explain that the proposed benchmark design enables explicit control over problem properties, supporting research in broader domains such as dynamic algorithm configuration and multi-objective optimization.
• Abstract（参考訳）: 本稿では,問題特性のきめ細かい制御を可能にする離散最適化ベンチマークを構築するための新しい手法を提案する。 各ブロック関数は変数のサブセットを実値にマッピングする。 問題はブロック関数の集合、重み要因、ブロック関数間の依存性を表す隣接グラフを通じてインスタンス化される。 中間ブロック値の解析により,本フレームワークは,対象空間だけでなく,得られた解の変数表現のレベルにおいても,アルゴリズムの挙動を解析することができる。 この能力は、大規模マルチモーダル問題における離散的ヒューリスティック解析に特に有用であり、これによりベンチマーク研究の実践的関連性を高めることができる。 進化的アルゴリズムの自己適応と多様性制御において,提案手法が関連する研究をいかに刺激するかを実証する。 さらに,提案したベンチマーク設計により問題特性の明示的な制御が可能となり,動的アルゴリズムの構成や多目的最適化など幅広い領域の研究を支援する。

関連論文リスト

• Structural bias in multi-objective optimisation [5.869782631289138]
  構造バイアス (Structure bias, SB) とは、探索空間の特定の領域に対して最適化アルゴリズムを体系的に選好することを指す。 SBは単目的最適化において広範囲に研究されているが、多目的最適化におけるその役割はほとんど解明されていない。 本稿では、構造バイアスの概念を多目的設定に拡張し、フィットネス駆動誘導から分離して研究する手法を提案する。
  論文  参考訳（メタデータ） (2026-02-06T14:43:28Z)
• MO-ELA: Rigorously Expanding Exploratory Landscape Features for Automated Algorithm Selection in Continuous Multi-Objective Optimisation [1.2832858109291982]
  本稿では,ボックス制約付き連続最適化問題に対する新しい相補的特徴セット(MO-ELA)を提案する。 これらの特徴は、決定空間と目的空間の両方を考慮したランダムな点のサンプルに基づいている。 十分に確立された多目的ベンチマークで行われたAAS研究は、提案した特徴がアルゴリズム性能の区別に有効であることを示した。
  論文  参考訳（メタデータ） (2026-01-24T12:30:42Z)
• UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [51.00436121587591]
  マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。 重みベクトル w でパラメトリした線型効用関数の場合に焦点を当てる。 学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-05-01T09:34:42Z)
• GNBG: A Generalized and Configurable Benchmark Generator for Continuous Numerical Optimization [5.635586285644365]
  さまざまな特徴を持つさまざまな問題インスタンスを含むベンチマークテストスイートを使用することが重要です。 従来のベンチマークスイートは、しばしば多数の固定テスト関数で構成されており、これらを特定の研究目的と整合させることが困難である。 本稿では,単目的,ボックス制約,連続的な数値最適化のための一般化数値ベンチマークジェネレータ(GNBG)を提案する。
  論文  参考訳（メタデータ） (2023-12-12T09:04:34Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• Using Affine Combinations of BBOB Problems for Performance Assessment [0.9281671380673306]
  本稿では,アフィン関数の組み合わせを用いて最適化アルゴリズムの挙動を解析する方法を示す。 特に,複合問題間の重み付けを変化させることで,付加的なグローバル構造の影響についての洞察を得ることができることを強調する。
  論文  参考訳（メタデータ） (2023-03-08T13:37:55Z)
• Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。 本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
  論文  参考訳（メタデータ） (2023-01-28T01:50:42Z)
• Object Representations as Fixed Points: Training Iterative Refinement Algorithms with Implicit Differentiation [88.14365009076907]
  反復的洗練は表現学習に有用なパラダイムである。 トレーニングの安定性とトラクタビリティを向上させる暗黙の差別化アプローチを開発する。
  論文  参考訳（メタデータ） (2022-07-02T10:00:35Z)
• Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent Signals: Application to Hyperspectral Imaging [71.57324258813675]
  相互依存信号のデータセットは、列が強い依存を示す行列として定義される。 ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。 ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
  論文  参考訳（メタデータ） (2022-03-29T21:00:39Z)
• Joint Continuous and Discrete Model Selection via Submodularity [1.332560004325655]
  機械学習のモデル選択問題では、意味のある構造を持つ優れたモデルに対する欲求は、典型的には正規化された最適化問題によって表される。 しかし、多くのシナリオでは、数値的に意味のある構造が離散空間において特定され、難しい非最適化問題を引き起こす。 我々は、ロバスト最適化によって動機づけられた特定の問題クラスに対して、単純な連続的あるいは離散的な制約をいかに扱うかを示す。
  論文  参考訳（メタデータ） (2021-02-17T21:14:47Z)

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。