論文の概要: GeoPAS: Geometric Probing for Algorithm Selection in Continuous Black-Box Optimisation

• arxiv url: http://arxiv.org/abs/2604.09095v2
• Date: Tue, 14 Apr 2026 02:07:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 14:01:13.23273
• Title: GeoPAS: Geometric Probing for Algorithm Selection in Continuous Black-Box Optimisation
• Title（参考訳）: GeoPAS: 連続ブラックボックス最適化におけるアルゴリズム選択のための幾何学的探索
• Authors: Jiabao Brad Wang, Xiang Shi, Yiliang Yuan, Mustafa Misir,
• Abstract要約: GeoPASは、位置、向き、対数スケールでサンプリングされた複数の粗い2次元スライスによって問題インスタンスを表す。 共有妥当性を考慮した畳み込みエンコーダは、各スライスを埋め込みにマッピングし、スライススケールおよび振幅統計に基づいて条件付けする。 GeoPASは、離脱確率、グループランダム、離脱確率の評価の下で、単一最適解法よりも改善する。
• 参考スコア（独自算出の注目度）: 2.2060294178354307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated algorithm selection in continuous black-box optimisation typically relies on fixed landscape descriptors computed under a limited probing budget, yet such descriptors can degrade under problem-split or cross-benchmark evaluation. We propose GeoPAS, a geometric probing approach that represents a problem instance by multiple coarse two-dimensional slices sampled across locations, orientations, and logarithmic scales. A shared validity-aware convolutional encoder maps each slice to an embedding, conditions it on slice-scale and amplitude statistics, and aggregates the resulting features permutation-invariantly for risk-aware solver selection via log-scale performance prediction with an explicit penalty on tail failures. On COCO/BBOB with a 12-solver portfolio in dimensions 2--10, GeoPAS improves over the single best solver under leave-instance-out, grouped random, and leave-problem-out evaluation. These results suggest that multi-scale geometric slices provide a useful transferable static signal for algorithm selection, although a small number of heavy-tail regimes remain and continue to dominate the mean. Our code is available at https://github.com/BradWangW/GeoPAS.
• Abstract（参考訳）: 連続ブラックボックス最適化における自動アルゴリズム選択は、通常、限られた確率予算で計算された固定されたランドスケープ記述子に依存するが、そのような記述子は問題分割またはクロスベンチマーク評価の下で分解することができる。 位置,向き,対数スケールにまたがる複数の粗い2次元スライスを用いて,問題事例を表す幾何学的探索手法GeoPASを提案する。 共有された妥当性認識畳み込みエンコーダは、各スライスを埋め込みにマッピングし、スライススケールおよび振幅統計に基づいて条件付けし、その結果として生じる特徴を、末尾障害に対する明示的なペナルティ付きログスケール性能予測を介して、リスク認識ソルバ選択に不変に集約する。 次元が2～10のCOCO/BBOBにおいて、GeoPASは、離脱確率、グループランダム、離脱確率評価の下で、単一最適解法よりも改善される。 これらの結果から,複数スケールの幾何学的スライスにより,アルゴリズム選択に有用な静的信号が得られることが示唆された。 私たちのコードはhttps://github.com/BradWangW/GeoPAS.orgで公開されています。

関連論文リスト

• GEMSS: A Variational Bayesian Method for Discovering Multiple Sparse Solutions in Classification and Regression Problems [0.0]
  本稿では,多種多様な特徴の組み合わせを同時に発見するために特別に設計された変分ベイズフレームワークであるGEMSSを提案する。 本手法は, 分類および回帰作業にまたがる128種類の合成実験を含む総合的なベンチマークで検証した。
  論文  参考訳（メタデータ） (2026-02-09T17:13:32Z)
• A GPU-Accelerated Bi-linear ADMM Algorithm for Distributed Sparse Machine Learning [4.258375398293221]
  Bi-cADMMは、計算ノードのネットワーク上で定義された大規模正規化されたスパース機械学習問題を解決することを目的としている。 Bi-cADMMはParallel Sparse Fitting Toolboxと呼ばれるオープンソースのPythonパッケージで実装されている。
  論文  参考訳（メタデータ） (2024-05-25T15:11:34Z)
• Universal Online Learning with Gradient Variations: A Multi-layer Online Ensemble Approach [57.92727189589498]
  本稿では,2段階の適応性を持つオンライン凸最適化手法を提案する。 我々は$mathcalO(log V_T)$, $mathcalO(d log V_T)$, $hatmathcalO(sqrtV_T)$ regret bounds for strong convex, exp-concave and convex loss function。
  論文  参考訳（メタデータ） (2023-07-17T09:55:35Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• Hybrid Trilinear and Bilinear Programming for Aligning Partially Overlapping Point Sets [85.71360365315128]
  多くの応用において、部分重なり合う点集合が対応するRPMアルゴリズムに不変であるようなアルゴリズムが必要である。 まず、目的が立方体有界関数であることを示し、次に、三線型および双線型単相変換の凸エンベロープを用いて、その下界を導出する。 次に、変換変数上の分岐のみを効率よく実行するブランチ・アンド・バウンド(BnB)アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-01-19T04:24:23Z)
• An Exact Solution Path Algorithm for SLOPE and Quasi-Spherical OSCAR [0.0]
  そこで本研究では,SLOPEの最適化重み付けにおける解の完全かつ正確な経路を提供する解経路アルゴリズムを提案する。 また、機能クラスタリングのための正規化シーケンス$lambda$の新しい設計を提案し、これは、回帰(QS-OSCAR)のための準球面および八角形収縮およびクラスタリングアルゴリズムと呼ばれる。
  論文  参考訳（メタデータ） (2020-10-29T12:03:22Z)
• A Two-Timescale Framework for Bilevel Optimization: Complexity Analysis and Application to Actor-Critic [142.1492359556374]
  双レベル最適化は、2レベル構造を示す問題のクラスである。 このような二段階問題に対処するための2段階近似(TTSA)アルゴリズムを提案する。 本稿では,TTSAフレームワークの特殊な事例として,2段階の自然なアクター・クリティカルポリシー最適化アルゴリズムが有用であることを示す。
  論文  参考訳（メタデータ） (2020-07-10T05:20:02Z)
• Private Stochastic Non-Convex Optimization: Adaptive Algorithms and Tighter Generalization Bounds [72.63031036770425]
  有界非次元最適化のための差分プライベート(DP)アルゴリズムを提案する。 標準勾配法に対する経験的優位性について,2つの一般的なディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2020-06-24T06:01:24Z)
• Stochastic Item Descent Method for Large Scale Equal Circle Packing Problem [22.230497408207594]
  勾配降下(SGD)は、機械学習領域における大規模最適化問題に対する強力な手法である。 本稿では,古典的最適化問題に対して,サンプルのバッチ選択を伴うSGDを適用した。 具体的には、単位円をランダムにバッチに分割する大規模ECPP用アイテム降下法(SIDM)を提案する。
  論文  参考訳（メタデータ） (2020-01-22T02:40:31Z)

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。