論文の概要: Similarity-based Portfolio Construction for Black-box Optimization

• arxiv url: http://arxiv.org/abs/2604.18196v1
• Date: Mon, 20 Apr 2026 12:48:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.870553
• Title: Similarity-based Portfolio Construction for Black-box Optimization
• Title（参考訳）: 類似性に基づくブラックボックス最適化のためのポートフォリオ構築
• Authors: Catalin-Viorel Dinu, Diederick Vermetten, Carola Doerr,
• Abstract要約: 自然な対策は、評価予算を、潜在的に異なるアルゴリズムの複数の実行に分割することである。 完全なトレーニングセット上に構築されたナイーブなポートフォリオが,これまでで最強のベースラインをすでに上回っていることを示す。 次に、単純なk-nearest-neighbor-based finetuningアプローチを提案し、未確認インスタンスに適したポートフォリオを構築する。
• 参考スコア（独自算出の注目度）: 0.13764085113103217
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In black-box optimization, a central question is which algorithm to use to solve a given, previously unseen, problem. Selecting a single algorithm, however, entails inherent risks: inaccuracies in the selector may lead to poor choices, and even well-performing algorithms with high variance can yield unsatisfactory results in a single run. A natural remedy is to split the evaluation budget across multiple runs of potentially different algorithms. Such sequential algorithm portfolios benefit from variance reduction and complementarities between algorithms, often outperforming approaches that allocate the entire budget to a single solver. While effective portfolios can be constructed post-hoc, transferring this idea to the algorithm selection setting is non-trivial. We show that a naive portfolio constructed over the full training set already outperforms the strongest traditional baseline, the virtual best solver. We then propose a simple yet effective k-nearest-neighbor-based finetuning approach to construct portfolios tailored to unseen instances, yielding further improvements and highlighting the effectiveness of portfolio selection in fixed-budget black-box optimization.
• Abstract（参考訳）: ブラックボックス最適化(ブラックボックスすう、英: black-box optimization)とは、ある未確認の問題を解くためにどのアルゴリズムを使うかという問題である。 しかし、単一のアルゴリズムを選択するには固有のリスクが伴う: セレクタの不正確さは選択の不正確さを招きかねず、高い分散性を持つ優れたアルゴリズムでさえ、1回の実行で不満足な結果をもたらす。 自然な対策は、評価予算を、潜在的に異なるアルゴリズムの複数の実行に分割することである。 このような逐次アルゴリズムポートフォリオは、分散の低減とアルゴリズム間の相補性の恩恵を受ける。 効果的なポートフォリオはポストホックで構築できるが、このアイデアをアルゴリズム選択設定に転送するのは簡単ではない。 完全なトレーニングセット上に構築されたナイーブなポートフォリオが,従来の最強のベースラインである仮想ベストソルバをすでに上回っていることを示す。 次に、未確認インスタンスに適したポートフォリオを構築するための簡単なk-nearest-neighbor-based finetuningアプローチを提案し、さらなる改善をもたらし、固定予算ブラックボックス最適化におけるポートフォリオ選択の有効性を強調した。

関連論文リスト

• How Sequential Algorithm Portfolios can benefit Black Box Optimization [0.13764085113103217]
  予算を複数のアルゴリズムに分割することで、より優れた結果が得られることを示す。 このアプローチは、様々な問題にまたがるアルゴリズムの相補性と、個々の関数におけるばらつきの低減の両方から恩恵を受ける。
  論文  参考訳（メタデータ） (2026-01-23T17:02:22Z)
• Greedy Restart Schedules: A Baseline for Dynamic Algorithm Selection on Numerical Black-box Optimization Problems [0.0]
  本稿では,選択時の未解決学習問題の分布に最善を尽くすアルゴリズムを反復的に選択するスケジューリング手法を提案する。 我々は,BBOBテストベッド上での数値ブラックボックス最適化からよく知られた手法を実演し,従来のポートフォリオから様々な評価プロトコルにまたがって,単一と仮想のベストソルバのギャップの多くを埋める方法を示した。
  論文  参考訳（メタデータ） (2025-04-15T17:54:21Z)
• On Constructing Algorithm Portfolios in Algorithm Selection for Computationally Expensive Black-box Optimization in the Fixed-budget Setting [0.0]
  本稿では,アルゴリズムポートフォリオ構築におけるサンプリングフェーズにおける関数評価の回数を考慮することの重要性を論じる。 その結果,提案手法により構築されたアルゴリズムのポートフォリオは,従来の手法よりも大幅に向上していることがわかった。
  論文  参考訳（メタデータ） (2024-05-13T03:31:13Z)
• PS-AAS: Portfolio Selection for Automated Algorithm Selection in Black-Box Optimization [4.842307002343618]
  自動アルゴリズム選択のパフォーマンスは、選択するアルゴリズムのポートフォリオに依存する。 実際には、おそらくポートフォリオのアルゴリズムを選択する最も一般的な方法は、いくつかの参照タスクにおいてうまく機能するアルゴリズムを欲しがる選択である。 提案手法は,アルゴリズムの振る舞いのメタ表現を作成し,そのメタ表現の類似性に基づいて,アルゴリズムの集合からグラフを構築し,グラフアルゴリズムを適用して,多様な,代表的,非冗長なアルゴリズムの最終的なポートフォリオを選択する。
  論文  参考訳（メタデータ） (2023-10-14T12:13:41Z)
• Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
  凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。 多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。 そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-17T20:11:56Z)
• Outlier-Robust Sparse Estimation via Non-Convex Optimization [73.18654719887205]
  空間的制約が存在する場合の高次元統計量と非破壊的最適化の関連について検討する。 これらの問題に対する新規で簡単な最適化法を開発した。 結論として、効率よくステーションに収束する一階法は、これらのタスクに対して効率的なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2021-09-23T17:38:24Z)
• Benchmarking Feature-based Algorithm Selection Systems for Black-box Numerical Optimization [0.0]
  特徴に基づくアルゴリズムの選択は、目に見えない問題において最適化アルゴリズムのポートフォリオから最適なアルゴリズムを自動的に見つけることを目的としている。 本稿では,24個のノイズレスブラックボックス最適化ベンチマーク関数のアルゴリズム選択システムについて分析する。 アルゴリズム選択システムの性能は, 逐次最小二乗プログラミングをプリゾルバとして利用することにより, 大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2021-09-17T07:17:40Z)
• Minimax Optimization with Smooth Algorithmic Adversaries [59.47122537182611]
  対戦相手が展開するスムーズなアルゴリズムに対して,Min-playerの新しいアルゴリズムを提案する。 本アルゴリズムは,制限周期のない単調進行を保証し,適切な勾配上昇数を求める。
  論文  参考訳（メタデータ） (2021-06-02T22:03:36Z)
• On the Optimality of Batch Policy Optimization Algorithms [106.89498352537682]
  バッチポリシー最適化は、環境と対話する前に既存のデータをポリシー構築に活用することを検討する。 信頼調整インデックスアルゴリズムは楽観的,悲観的,中立的いずれであってもミニマックス最適であることを示す。 最適値予測の本来の難易度を考慮した新しい重み付き最小値基準を提案する。
  論文  参考訳（メタデータ） (2021-04-06T05:23:20Z)
• Generalization in portfolio-based algorithm selection [97.74604695303285]
  ポートフォリオベースのアルゴリズム選択に関する最初の証明可能な保証を提供する。 ポートフォリオが大きければ、非常に単純なアルゴリズムセレクタであっても、過剰適合は避けられないことを示す。
  論文  参考訳（メタデータ） (2020-12-24T16:33:17Z)
• An Asymptotically Optimal Primal-Dual Incremental Algorithm for Contextual Linear Bandits [129.1029690825929]
  複数の次元に沿った最先端技術を改善する新しいアルゴリズムを提案する。 非文脈線形帯域の特別な場合において、学習地平線に対して最小限の最適性を確立する。
  論文  参考訳（メタデータ） (2020-10-23T09:12:47Z)

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。