論文の概要: Obtaining Partition Crossover masks using Statistical Linkage Learning for solving noised optimization problems with hidden variable dependency structure

• arxiv url: http://arxiv.org/abs/2604.11862v1
• Date: Mon, 13 Apr 2026 14:36:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.033424
• Title: Obtaining Partition Crossover masks using Statistical Linkage Learning for solving noised optimization problems with hidden variable dependency structure
• Title（参考訳）: 隠れ変数依存構造を用いた雑音最適化問題の解法における統計的リンク学習を用いた分割クロスオーバーマスクの取得
• Authors: M. W. Przewozniczek, B. Frej, M. M. Komarnicki, M. Prusik, R. Tinós,
• Abstract要約: 雑音による問題を分解するために統計的学習(SLL)を用い,新しいS指定マスク構築アルゴリズムを提案する。 提案アルゴリズムは,SLLによる分解の精度が十分高い場合,ノイズのないインスタンスに対して,PXマスクと同等のクラスタリングマスクを生成する。 実験により, 提案手法は騒音レベルによらず等しく有効であり, 高い騒音問題に対して, 最先端技術よりも優れることが示された。
• 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: In optimization problems, some variable subsets may have a joint non-linear or non-monotonical influence on the function value. Therefore, knowledge of variable dependencies may be crucial for effective optimization, and many state-of-the-art optimizers leverage it to improve performance. However, some real-world problem instances may be the subject of noise of various origins. In such a case, variable dependencies relevant to optimization may be hard or impossible to tell using dependency checks sufficient for problems without noise, making highly effective operators, e.g., Partition Crossover (PX), useless. Therefore, we use Statistical Linkage Learning (SLL) to decompose problems with noise and propose a new SLL-dedicated mask construction algorithm. We prove that if the quality of the SLL-based decomposition is sufficiently high, the proposed clustering algorithm yields masks equivalent to PX masks for the noise-free instances. The experiments show that the optimizer using the proposed mechanisms remains equally effective despite the noise level and outperforms state-of-the-art optimizers for the problems with high noise.
• Abstract（参考訳）: 最適化問題では、いくつかの変数部分集合は、関数値にジョイントな非線形あるいは非単調な影響を持つことがある。 したがって、変数依存の知識は効果的な最適化に不可欠であり、多くの最先端のオプティマイザがパフォーマンス向上のためにそれを活用している。 しかし、現実のいくつかの問題の例は、様々な起源のノイズの主題である可能性がある。 このような場合、最適化に関連する変数依存関係は、ノイズのない問題に十分な依存性チェックを使用することで、高効率な演算子(例えば、パーティションクロスオーバー(PX))を作るのが難しいか、あるいは不可能である。 そこで我々は,SLLを用いて雑音による問題を分解し,新しいSLL指定マスク構築アルゴリズムを提案する。 提案アルゴリズムは,SLLによる分解の精度が十分高い場合,ノイズのないインスタンスに対してPXマスクと同等のマスクが得られることを示す。 実験により, 提案機構を用いたオプティマイザは, ノイズレベルにもかかわらず等しく有効であり, 高いノイズを有する問題に対して, 最先端のオプティマイザよりも優れた性能を示した。

関連論文リスト

• On Revealing the Hidden Problem Structure in Real-World and Theoretical Problems Using Walsh Coefficient Influence [0.0]
  グレーボックス最適化では、非線形変数依存を得るためにウォルシュ分解を用いる。 いくつかの問題では、全ての変数は非線形に依存せず、前述のマスクは役に立たない。 このような問題の実際の事例の特徴を解析し、それらの依存関係の多くはノイズのような起源を持つ可能性があることを示す。
  論文  参考訳（メタデータ） (2025-04-16T08:22:59Z)
• Debiasing Multimodal Large Language Models via Noise-Aware Preference Optimization [31.741110625305186]
  本稿では、優先最適化のパラダイムを用いて、モダリティバイアス問題を解決することを提案する。 具体的には、まず摂動を導入し、特定のモダリティの情報量を減らすことでデータセットを構築する。 自動構築したデータにおける避けられないノイズに対処するために、ノイズロバストな平均絶対誤差と直接選好最適化における二項交叉エントロピーを組み合わせる。
  論文  参考訳（メタデータ） (2025-03-23T04:00:11Z)
• High-Probability Convergence for Composite and Distributed Stochastic Minimization and Variational Inequalities with Heavy-Tailed Noise [96.80184504268593]
  グラデーション、クリッピングは、優れた高確率保証を導き出すアルゴリズムの鍵となる要素の1つである。 クリッピングは、合成および分散最適化の一般的な方法の収束を損なう可能性がある。
  論文  参考訳（メタデータ） (2023-10-03T07:49:17Z)
• Distributionally Robust Variational Quantum Algorithms with Shifted Noise [9.705847892362165]
  本稿では、変分量子アルゴリズム(VQA)を未知のシフトノイズに対して頑健に最適化する方法を示す。 この研究は、シフトノイズの影響を受け、VQAの信頼性を向上させるための最初のステップである。
  論文  参考訳（メタデータ） (2023-08-28T23:19:57Z)
• Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
  本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。 4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
  論文  参考訳（メタデータ） (2023-01-18T04:54:58Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• Differentially Private Convex Optimization with Feasibility Guarantees [44.36831037077509]
  本稿では,凸最適化問題を解くための新しい微分プライベートフレームワークを開発する。 提案するフレームワークは、期待される最適性損失と最適化結果のばらつきの間のトレードオフを提供する。
  論文  参考訳（メタデータ） (2020-06-22T15:30:52Z)
• Bilevel Optimization for Differentially Private Optimization in Energy Systems [53.806512366696275]
  本稿では,入力に敏感な制約付き最適化問題に対して,差分プライバシーを適用する方法について検討する。 本稿は, 自然仮定の下では, 大規模非線形最適化問題に対して, 双レベルモデルを効率的に解けることを示す。
  論文  参考訳（メタデータ） (2020-01-26T20:15:28Z)

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。