論文の概要: Novelty-Based Generation of Continuous Landscapes with Diverse Local Optima Networks

• arxiv url: http://arxiv.org/abs/2604.21468v1
• Date: Thu, 23 Apr 2026 09:28:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.410164
• Title: Novelty-Based Generation of Continuous Landscapes with Diverse Local Optima Networks
• Title（参考訳）: 複数局所オプティマスネットワークを用いた連続景観の新規性に基づく生成
• Authors: Kippei Mizuta, Shoichiro Tanaka, Shuhei Tanaka, Toshiharu Hatanaka,
• Abstract要約: ローカルオプティマスネットワーク(LON)は、検索空間のグローバルな構造をグラフとして表現する。 連続最適化において、この高い計算コストは、LON特徴と進化的アルゴリズム性能の関係を体系的に調査するのを防ぐ。 ガウスランドスケープ(MSG)の最大セットに対するボアの代替的定義を、明示的に調整可能なマルチモーダリティで提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Local Optima Networks (LONs) represent the global structure of search spaces as graphs, but their construction requires iterative execution of a search algorithm to find local optima and approximate transitions between Basins of Attraction (BoAs). In continuous optimization, this high computational cost prevents systematic investigation of the relationship between LON features and evolutionary algorithm performance. To address this issue, we propose an alternative definition of BoAs for Max-Set of Gaussians (MSG) landscapes with explicitly tunable multimodality. This bypasses search-based BoA identification, enabling low-cost LON construction. Moreover, we leverage Novelty Search (NS) to explore the parameter space of the MSG landscape generator, producing instances with diverse graph topologies. Our experiments show that the proposed BoAs closely align with gradient-based BoAs, and that NS successfully generates instances with varied search difficulty and connectivity patterns among optima. Finally, over the instances generated by NS, we predict the success rate of two well-established evolutionary algorithms from LON features. While our LON construction is specific to MSG landscapes, the proposed framework provides a dataset that serves as a foundation for landscape-aware optimization.
• Abstract（参考訳）: 局所オプティマネットワーク(LON)は,探索空間のグローバルな構造をグラフとして表現するが,その構築には探索アルゴリズムの反復的な実行が必要である。 連続最適化において、この高い計算コストは、LON特徴と進化的アルゴリズム性能の関係を体系的に調査するのを防ぐ。 この問題に対処するために,ガウス(MSG)ランドスケープの最大セットに対するBoAsの代替定義を提案する。 これは検索ベースのBoA識別をバイパスし、低コストのLON構築を可能にする。 さらに,ノベルティサーチ(NS)を利用してMSGランドスケープジェネレータのパラメータ空間を探索し,多様なグラフトポロジを持つインスタンスを生成する。 実験の結果,提案したBoAsは勾配に基づくBoAsと密接に一致しており,NSは探索難易度や接続パターンの異なるインスタンスを最適に生成できることがわかった。 最後に、NSが生成するインスタンスに対して、LON特徴量から確立された2つの進化的アルゴリズムの成功率を予測する。 我々のLON構築はMSGランドスケープに特化しているが、提案フレームワークはランドスケープ・アウェア・最適化の基礎となるデータセットを提供する。

関連論文リスト

• LLM Driven Design of Continuous Optimization Problems with Controllable High-level Properties [2.0539269837079392]
  連続的なブラックボックス最適化におけるベンチマークは、BBOBのような既存のテストスイートの構造的多様性の制限によって妨げられる。 本研究では,進化ループに埋め込まれた大規模言語モデルを用いて,高度景観特性を明確に定義した最適化問題を設計できるかどうかを考察する。
  論文  参考訳（メタデータ） (2026-01-26T12:34:52Z)
• Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
  LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。 LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。 私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
  論文  参考訳（メタデータ） (2026-01-10T09:49:45Z)
• Customized Exploration of Landscape Features Driving Multi-Objective Combinatorial Optimization Performance [2.9845592719739127]
  本稿では,多目的最適化アルゴリズムの性能予測のための景観特徴の解析を行う。 ベンチマークインスタンスは、rmnk-landscapesのセットで、2と3の目的と様々なレベルの頑丈さと客観的な相関がある。 調整された分析により,特定の景観に特有のアルゴリズム性能に影響を与える特徴の組み合わせが明らかになった。
  論文  参考訳（メタデータ） (2025-07-02T12:11:41Z)
• Decision Tree Induction Through LLMs via Semantically-Aware Evolution [53.0367886783772]
  遺伝的プログラミング(GP)に基づく決定木誘導のための進化的最適化手法を提案する。 私たちの重要なイノベーションは、セマンティックな事前情報と、検索空間に関するドメイン固有の知識をアルゴリズムに統合することです。 これは、構造化された自然言語プロンプトを扱う新しい遺伝子操作子によって操作される。
  論文  参考訳（メタデータ） (2025-03-18T12:52:03Z)
• Ant Colony Sampling with GFlowNets for Combinatorial Optimization [68.84985459701007]
  Generative Flow Ant Colony Sampler (GFACS)は、階層的に償却推論と並列探索を組み合わせた新しいメタヒューリスティック手法である。 提案手法はまず,生成フローネットワーク(GFlowNets)を利用して,解空間上のエンフルティモーダル事前分布を補正する。 この前者は、Ant Colony Optimization (ACO) の精神で並列探索によって更新され、後部分布がほぼ最適解を生成する。
  論文  参考訳（メタデータ） (2024-03-11T16:26:06Z)
• HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel Neural Architecture Search [104.45426861115972]
  設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。 我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。 6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
  論文  参考訳（メタデータ） (2023-04-23T17:27:40Z)
• An algorithmic framework for the optimization of deep neural networks architectures and hyperparameters [0.23301643766310373]
  本稿では,効率的なディープニューラルネットワークを自動生成するアルゴリズムフレームワークを提案する。 このフレームワークは、進化的有向非巡回グラフ(DAG)に基づいている。 畳み込み(convolutions)、再帰(recurrentence)、密集層( dense layer)といった古典的な操作の混合を可能にするだけでなく、自己注意(self-attention)のようなより新しい操作も可能である。
  論文  参考訳（メタデータ） (2023-02-27T08:00:33Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• Trilevel Neural Architecture Search for Efficient Single Image Super-Resolution [127.92235484598811]
  本稿では,高効率単一画像超解像(SR)のための3レベルニューラルネットワーク探索法を提案する。 離散探索空間をモデル化するために、離散探索空間に新たな連続緩和を適用し、ネットワークパス、セル操作、カーネル幅の階層的混合を構築する。 階層型スーパーネット方式による最適化を行うため,効率的な探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-17T12:19:49Z)
• Multi-layer local optima networks for the analysis of advanced local search-based algorithms [0.6299766708197881]
  ローカルオプティマスネットワーク(Local Optima Network, LON)は、特定の近傍演算子と局所探索アルゴリズムに基づいて、特定の最適化問題のフィットネスランドスケープを圧縮するグラフモデルである。 本稿では、多層LONの概念と、フィットネスランドスケープ分析のためのメトリクス抽出を目的としたこれらのモデルを探索するための方法論を提案する。
  論文  参考訳（メタデータ） (2020-04-29T03:20:01Z)

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。