論文の概要: Limited Perfect Monotonical Surrogates constructed using low-cost recursive linkage discovery with guaranteed output

• arxiv url: http://arxiv.org/abs/2604.11524v1
• Date: Mon, 13 Apr 2026 14:26:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.602012
• Title: Limited Perfect Monotonical Surrogates constructed using low-cost recursive linkage discovery with guaranteed output
• Title（参考訳）: 低コスト再帰的連鎖探索と出力保証による完全モノトニカルサロゲートの構築
• Authors: M. W. Przewozniczek, F. Chicano, R. Tinós, M. M. Komarnicki,
• Abstract要約: 多くの実世界の問題は線形モデルでは表現できないので、上記の代理は適用できない。 我々は,この難しさを克服し,一つの変数によって異なる2つの解の比較を可能にする限定単調完全サロゲート(LyMPuS)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Surrogates provide a cheap solution evaluation and offer significant leverage for optimizing computationally expensive problems. Usually, surrogates only approximate the original function. Recently, the perfect linear surrogates were proposed that ideally represent the original function. These surrogates do not mimic the original function. In fact, they are another (correct) representation of it and enable a wide range of possibilities, e.g., discovering the optimized function for problems where the direct transformation of the encoded solution into its evaluation is not available. However, many real-world problems can not be represented by linear models, making the aforementioned surrogates inapplicable. Therefore, we propose the Limited Monotonical Perfect Surrogate (LyMPuS), which overcomes this difficulty and enables the comparison of two solutions that differ by a single variable. Our proposition is suitable for limiting the cost of expensive local search procedures. The proposed surrogate is parameterless and can be trained on the fly without any separate surrogate-building step. It uses only the necessary fitness evaluations, and the already-paid costs are not wasted when the model is updated. Finally, it offers low-cost missing-linkage detection and low-cost linkage discovery, guaranteed to find a missing dependency in no more than $2\lceil\log_2(n)\rceil$ steps.
• Abstract（参考訳）: サロゲートは安価なソリューション評価を提供し、計算に高価な問題を最適化するための大きなレバレッジを提供する。 通常、サロゲートは元の関数を近似するだけである。 最近では、元の関数を理想的に表す完全線型代理が提案されている。 これらのサロゲートは元の関数を模倣しない。 実際、それらはそれの別の(正しい)表現であり、例えば、符号化された解のその評価への直接変換が不可能な問題に対して最適化された函数を発見できる。 しかし、実世界の多くの問題は線形モデルでは表現できないため、上記の代理は適用できない。 そこで我々は,この難しさを克服し,一つの変数によって異なる2つの解の比較を可能にする限定単調完全サロゲート (LyMPuS) を提案する。 我々の提案は、高価なローカルサーチ手順のコストを抑えるのに適している。 提案したサロゲートはパラメータレスであり、別のサロゲート構築ステップなしでフライで訓練することができる。 必要なフィットネス評価のみを使用し、モデル更新時に既に支払われているコストを無駄にしない。 最後に、低コストのリンク検出と低コストのリンク検出を提供し、$2\lceil\log_2(n)\rceil$ stepsで欠落した依存関係を見つけることを保証している。

関連論文リスト

• Multi-LLM Query Optimization [1.7435005683276596]
  我々は、ステートワイドなエラー制約を受ける総クエリコストを最小限に抑える、堅牢でオフラインなクエリ計画問題を定式化する。 本研究は,サロゲート保存コストと真の最適コストとの比が,誤差耐性が小さくなるにつれて1つに収束することを示す。
  論文  参考訳（メタデータ） (2026-03-24T19:51:57Z)
• Multinoulli Extension: A Lossless Continuous Relaxation for Partition-Constrained Subset Selection [60.07018090570548]
  我々はパラメータフリーで、歪んだ局所探索法と同じ近似保証を実現できるMultinoulliSCGという新しいアルゴリズムを導入する。 また、分割制約に関する未探索オンラインサブセット選択問題に対して、Multinoulli-CGとMultinoulli-GAGAという2つの新しいオンラインアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-03-23T02:30:01Z)
• Parameter-free Algorithms for the Stochastically Extended Adversarial Model [59.81852138768642]
  拡張逆数(SEA)モデルの既存のアプローチは、ドメインの直径$D$や損失関数のリプシッツ定数$G$といった問題固有のパラメータの事前知識を必要とする。 パラメータを不要にするためにOptimistic Online Newton Step (OONS) アルゴリズムを利用するパラメータフリー手法を開発した。
  論文  参考訳（メタデータ） (2025-10-06T10:53:37Z)
• Correcting the Mythos of KL-Regularization: Direct Alignment without Overoptimization via Chi-Squared Preference Optimization [78.82586283794886]
  $chi2$-Preference Optimization(chi$PO)は、オーバー最適化に対して確実に堅牢なオフラインアライメントアルゴリズムである。 $chi$POは、正規化による不確実性に直面して悲観主義の原理を実装している。 $chi$POの単純さと強力な保証により、オーバー最適化に対して確実に堅牢な、実用的で汎用的なオフラインアライメントアルゴリズムとなった。
  論文  参考訳（メタデータ） (2024-07-18T11:08:40Z)
• Global and Preference-based Optimization with Mixed Variables using Piecewise Affine Surrogates [0.6083861980670925]
  本稿では,線形制約付き混合変数問題の解法として,新しいサロゲートに基づく大域的最適化アルゴリズムを提案する。 提案手法は, 目的関数の断片的なアフィンサロゲートを, 実現可能なサンプル上に構築することに基づいている。 この2つのアルゴリズムは、制約なしおよび制約付き混合変数ベンチマーク問題に対して評価される。
  論文  参考訳（メタデータ） (2023-02-09T15:04:35Z)
• Online Learning under Budget and ROI Constraints via Weak Adaptivity [57.097119428915796]
  制約付きオンライン学習問題に対する既存の原始双対アルゴリズムは、2つの基本的な仮定に依存している。 このような仮定は、標準の原始双対テンプレートを弱適応的後悔最小化器で与えることによって、どのように回避できるのかを示す。 上記の2つの前提が満たされていない場合に保証される、世界の最高の保証を証明します。
  論文  参考訳（メタデータ） (2023-02-02T16:30:33Z)
• 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)
• Multi-Step Budgeted Bayesian Optimization with Unknown Evaluation Costs [28.254408148839644]
  不均一な評価コストの設定に古典的な期待改善を一般化する非筋力的獲得関数を提案する。 我々の獲得関数は、様々な合成問題や実問題において、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2021-11-12T02:18:26Z)
• Continuous surrogate-based optimization algorithms are well-suited for expensive discrete problems [9.655888042539495]
  本研究では, 連続代理モデルを用いることで, 最先端の離散代理モデルと競合する性能を示す実証的証拠を示す。 異なる離散構造と時間的制約に関する我々の実験は、どのアルゴリズムがどの種類の問題でうまく機能するかについての洞察を与える。
  論文  参考訳（メタデータ） (2020-11-06T15:27:45Z)

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。