論文の概要: Zoom, Don't Wander: Why Regional Search Outperforms Pareto Reasoning and Global Optimization in Budget-Constrained SBSE
- arxiv url: http://arxiv.org/abs/2605.09658v1
- Date: Sun, 10 May 2026 17:09:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.354181
- Title: Zoom, Don't Wander: Why Regional Search Outperforms Pareto Reasoning and Global Optimization in Budget-Constrained SBSE
- Title（参考訳）: Zoom, Don't Wander: 予算制約付きSBSEにおける地域検索がパレート推論とグローバル最適化に優れている理由
- Authors: Kishan Kumar Ganguly, Tim Menzies,
- Abstract要約: 将来性のある地域への「ゾンビ化」は、厳しい評価予算の下でのグローバルな探究よりもはるかに効果的である。
最小のグレディズーム法であるEZRは,パレート法や大域ベイズ法よりも3桁高速で動作する。
グローバルなモザイクをグリージーなズームに置き換えることで、SBSEはより速く、より説明しやすく、より広い聴衆にアクセスできるようになります。
- 参考スコア（独自算出の注目度）: 4.282746516699565
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditional Search-Based Software Engineering (SBSE) assumes global search and full Pareto exploration are essential. We offer the following negative result based on a study of over 100 Software Engineering (SE) optimization tasks: "zooming" into promising regions is far more effective than Pareto and global exploration under constrained evaluation budgets. Our minimal greedy zoom method, EZR, runs three orders of magnitude faster than Pareto and global Bayesian methods, achieving higher statistical ranks and winning or tying in 84-89\% of datasets on equal budget. Even at one-fifth the evaluation budget, EZR wins or ties in 79-81\% of datasets. Surprisingly, despite never explicitly seeking a frontier, EZR matches or outperforms Pareto methods on their own coverage metrics (IGD, HV) at equal budgets. The explanation for this widespread failure is structural: across the datasets studied, Pareto-optimal solutions form a tiny, tight island concentrated in a compact region of decision space. Methods that wander waste their budgets outside this island. Beyond efficiency, zooming yields small, interpretable models, thus addressing concerns about black-box AI. By replacing global wandering with greedy zooming, we make SBSE much faster, more explicable, and hence accessible to a wider audience. SBSE practitioners and researchers should zoom, not wander.
- Abstract（参考訳）: 従来の検索ベースソフトウェアエンジニアリング(SBSE)では、グローバル検索と完全なパレート探索が不可欠である。
我々は、100以上のソフトウェアエンジニアリング(SE)最適化タスクの研究に基づいて、以下の否定的な結果を提示します。
我々の最小のグレディズーム法であるEZRは、パレート法やグローバルベイズ法よりも3桁早く動作し、同じ予算で84～89倍のデータセットで高い統計ランクを獲得し、勝利またはタイリングを行う。
評価予算の5分の1であっても、EZRは79～81パーセントのデータセットで勝利または結びつきがある。
驚くべきことに、EZRはフロンティアを明示的に求めなかったが、独自のカバレッジメトリクス(IGD、HV)で同等の予算でParetoメソッドにマッチしたり、性能を上回ります。
この広範な失敗の説明は構造的であり、研究されたデータセット全体にわたって、パレート・最適解は、決定空間のコンパクトな領域に集中する小さなきつい島を形成している。
この島の外の予算を浪費する方法。
効率性以外にも、ズームは小さく解釈可能なモデルをもたらし、ブラックボックスAIに関する懸念に対処する。
グローバルなモザイクをグリージーなズームに置き換えることで、SBSEはより速く、より説明しやすく、より広い聴衆にアクセスできるようになります。
SBSEの実践者や研究者はズームするべきだ。
関連論文リスト
- Observe Less, Understand More: Cost-aware Cross-scale Observation for Remote Sensing Understanding [49.97682794425118]
高解像度(HR)画像は、はるかに高い買収コストと限られた範囲で重要な局所的な詳細を提供する。
これは、LRに基づくグローバルな知覚からHRイメージを選択的に取得する、クロススケールなセンシング戦略のモチベーションである。
GL-10Mは,1000万個の空間的に整列したマルチ解像度画像の大規模ベンチマークである。
論文 参考訳（メタデータ） (2026-04-13T13:00:29Z) - Does a Global Perspective Help Prune Sparse MoEs Elegantly? [21.594202826999958]
既存のプルーニング手法は、通常、平らなMoEで生じる不均一な冗長性を見渡して、層全体に均一に予算を割り当てる。
GRAPE(Global Redundancy-Aware Pruning of Experts)は,多層冗長性に基づいて動的にプルーニング予算を割り当てるグローバルプルーニング戦略である。
Mixtral-8x7B、Mixtral-8x22B、DeepSeek-MoE、Qwen-MoE、およびGPT-OSSの実験では、同じプルーニング予算の下では、GRAPEは一貫して最高の平均性能を達成している。
論文 参考訳（メタデータ） (2026-04-08T00:41:11Z) - Asymptotically-Bounded 3D Frontier Exploration enhanced with Bayesian Information Gain [3.746889836344766]
本稿では,予測可能な有界性能を有するOctoMapベースのフロンティア探索アルゴリズムを提案する。
我々のアプローチは、$mathcalO(|mathcalF|)$の複雑さを維持している。
我々はベイズ回帰器を統合して情報ゲインを推定し、未知のボクセルを明示的にカウントする必要性を回避する。
論文 参考訳（メタデータ） (2026-04-03T12:52:33Z) - Is Bigger Always Better? Efficiency Analysis in Resource-Constrained Small Object Detection [0.0]
スケーリング法則は、より多くのデータでトレーニングされたより大きなモデルが、より小さなモデルよりも一貫して優れていると仮定する。
マダガスカルにおける屋上PV検出の系統的効率解析を行った。
論文 参考訳（メタデータ） (2026-03-02T18:05:57Z) - Learning Regions of Interest for Bayesian Optimization with Adaptive
Level-Set Estimation [84.0621253654014]
本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。
理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
論文 参考訳（メタデータ） (2023-07-25T09:45:47Z) - LoLep: Single-View View Synthesis with Locally-Learned Planes and
Self-Attention Occlusion Inference [66.45326873274908]
本稿では,1枚のRGB画像から局所学習平面を回帰してシーンを正確に表現するLoLepを提案する。
MINEと比較して、LPIPSは4.8%-9.0%、RVは73.9%-83.5%である。
論文 参考訳（メタデータ） (2023-07-23T03:38:55Z) - LISSNAS: Locality-based Iterative Search Space Shrinkage for Neural
Architecture Search [30.079267927860347]
大規模な空間をSOTA検索性能を持つ多種多様な小さな探索空間に縮小する自動アルゴリズムを提案する。
提案手法は,モバイル制約下でのイメージネットのSOTA Top-1精度77.6%,最良クラスであるKendal-Tau,アーキテクチャの多様性,検索空間サイズを実現している。
論文 参考訳（メタデータ） (2023-07-06T16:28:51Z) - Dynamic Regularized Sharpness Aware Minimization in Federated Learning: Approaching Global Consistency and Smooth Landscape [59.841889495864386]
フェデレートラーニング(FL)では、グローバルサーバの協調の下で、ローカルクライアントのクラスタがチェアリングされる。
クライアントは自身のオプティマに過度に適合する傾向にあり、グローバルな目標から非常に逸脱する。
tt Family FedSMOOは、グローバルな目的に対する局所的な最適性を保証するために動的正規化器を採用する。
理論解析により, tt Family FedSMOO は, 低境界一般化による高速$mathcalO (1/T)$収束率を達成することが示された。
論文 参考訳（メタデータ） (2023-05-19T10:47:44Z) - Pareto-aware Neural Architecture Generation for Diverse Computational
Budgets [94.27982238384847]
既存の手法は、しばしば各目標予算に対して独立したアーキテクチャ探索プロセスを実行する。
提案するニューラルアーキテクチャジェネレータ(PNAG)は,任意の予算に対して,推論によって最適なアーキテクチャを動的に生成する。
このような共同探索アルゴリズムは、全体の検索コストを大幅に削減するだけでなく、結果も改善する。
論文 参考訳（メタデータ） (2022-10-14T08:30:59Z) - Zooming for Efficient Model-Free Reinforcement Learning in Metric Spaces [26.297887542066505]
本研究では,自然距離を持つと仮定される連続的な状態-作用空間を用いたエピソディック強化学習について考察する。
本稿では,連続的な帯域幅からアイデアを生かし,共同空間の適応的離散化を学習するオンラインアルゴリズムZoomRLを提案する。
ZoomRL が最悪の後悔点である $tildeO(Hfrac52 Kfracd+1d+2)$ ここでは$H$ が計画的地平線、$K$ がエピソード数、$d$ が空間の被覆次元であることを示す。
論文 参考訳（メタデータ） (2020-03-09T12:32:02Z)
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。