論文の概要: Meta-Black-Box Optimization Can Do Search Guidance for Expensive Constrained Multi-Objective Optimization

• arxiv url: http://arxiv.org/abs/2605.10260v1
• Date: Mon, 11 May 2026 09:25:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.693113
• Title: Meta-Black-Box Optimization Can Do Search Guidance for Expensive Constrained Multi-Objective Optimization
• Title（参考訳）: メタブラックボックス最適化による制約付き多目的最適化のための探索誘導
• Authors: Yukun Du, Haiyue Yu, Jiang Jiang, Shuaiwen Tang, Xiaotong Xie, Haobo Liu, Chongshuang Hu, Shengkun Chang,
• Abstract要約: 本稿では,制約付き多目的最適化問題に対する2レベルMetaBBOフレームワークを提案する。 低レベルサロゲート支援進化アルゴリズム(SAEA)の探索ガイダンスを提供するメタ政治 MetaSG-SAEAは様々なベンチマークで最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 2.3308436514095874
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing Meta-Black-Box Optimization (MetaBBO) methods focus on how to search when controlling optimizers, but largely overlook where to search. We propose MetaSG-SAEA, a bi-level MetaBBO framework for expensive constrained multi-objective optimization problems (ECMOPs), in which a meta-policy provides search guidance to the low-level Surrogate-Assisted Evolutionary Algorithm (SAEA). To achieve this, we introduce Max-Min Constraint-Calibrated Inequality (MM-CCI), a compact, problem-agnostic region abstraction that maps heterogeneous constraint evaluations to an ordered scalar level; we further provide a theoretical analysis of its fundamental properties. Building on this region abstraction, we adopt diffusion-based population initialization to translate the meta-policy's region-level guidance into solution-level priors for the SAEA. To make MetaSG-SAEA scalable, we construct an attention-based state representation across varying problem dimensions, population sizes, and numbers of objectives and constraints. Experimental results demonstrate that MetaSG-SAEA outperforms state-of-the-art baselines across diverse benchmarks and exhibits the ability to generalize across problem distributions.
• Abstract（参考訳）: 既存のMeta-Black-Box Optimization(MetaBBO)メソッドは、オプティマイザを制御する際に検索する方法に重点を置いている。 本稿では,コスト制約付き多目的最適化問題(ECMOP)のための2レベルメタBBOフレームワークであるMetaSG-SAEAを提案する。 これを実現するために、不均一な制約評価を順序付きスカラーレベルにマッピングするコンパクトで問題に依存しない領域抽象化であるMax-Min Constraint-Calibrated Inequality (MM-CCI)を導入する。 この領域の抽象化に基づいて、拡散型人口初期化を導入し、メタ政治の地域レベルのガイダンスをSAEAのソリューションレベルの事前に翻訳する。 MetaSG-SAEAをスケーラブルにするために、様々な問題次元、人口規模、目的と制約の数にまたがる注意に基づく状態表現を構築した。 実験の結果、MetaSG-SAEAは様々なベンチマークで最先端のベースラインよりも優れており、問題分布をまたいで一般化する能力を示している。

関連論文リスト

• Multi-Objective Hierarchical Optimization with Large Language Models [41.41567058185742]
  大規模言語モデル(LLM)は、多目的最適化を推進するための既定の選択肢ではない。 本稿では,このギャップを,構造化階層型探索戦略内での代理モデルと候補サンプルとしてLLMを活用することで解決する。
  論文  参考訳（メタデータ） (2026-01-20T12:10:13Z)
• Meta-Black-Box Optimization with Bi-Space Landscape Analysis and Dual-Control Mechanism for SAEA [8.45452791601094]
  この研究は、SAEAを二重レベルに制御する最初のMetaBBOフレームワークと、代理モデル情報をキャプチャするバイスペースERAを紹介する。 DB-SAEAは、様々なベンチマークで最先端のベースラインを上回るだけでなく、高次元設定で見えないタスクに強力なゼロショット転送を示す。
  論文  参考訳（メタデータ） (2025-11-19T15:43:19Z)
• Domain-Generalization to Improve Learning in Meta-Learning Algorithms [0.0]
  ドメイン一般化シャープネスを考慮した最小化モデル-非依存メタラーニング(DGS-MAML) 本稿では,学習データに制限のあるタスクを対象とするメタ学習アルゴリズムであるDGS-MAML(Domain Generalization Sharpness-Aware Minimization Model-Agnostic Meta-Learning)を提案する。 ベンチマークデータセット実験の結果,DGS-MAMLは精度と一般化の点で既存手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-08-13T01:30:11Z)
• Feasibility-Driven Trust Region Bayesian Optimization [0.048748194765816946]
  FuRBOは、次の候補解が選択される信頼領域を反復的に定義する。 我々は,フルBBOB制約ベンチマークスイートの広範なテストを通じて,FuRBOの有効性を実証的に実証した。
  論文  参考訳（メタデータ） (2025-06-17T15:16:22Z)
• Designing Biological Sequences via Meta-Reinforcement Learning and Bayesian Optimization [68.28697120944116]
  メタ強化学習を用いて自己回帰生成モデルを訓練し、選択のための有望なシーケンスを提案する。 我々は,データのサブセットのサンプリングによって誘導されるMDPの分布に対する最適ポリシーを求める問題として,この問題を提起する。 このようなアンサンブルに対するメタラーニングは,報酬の過小評価に対して頑健であり,競争的な結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-09-13T18:37:27Z)
• Result Diversification by Multi-objective Evolutionary Algorithms with Theoretical Guarantees [94.72461292387146]
  両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。 GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。 目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
  論文  参考訳（メタデータ） (2021-10-18T14:00:22Z)
• Meta-Learning with Neural Tangent Kernels [58.06951624702086]
  メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。 このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。 本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
  論文  参考訳（メタデータ） (2021-02-07T20:53:23Z)
• On the Global Optimality of Model-Agnostic Meta-Learning [133.16370011229776]
  モデル・ア・メタラーニング(MAML)は、メタラーニングを二段階最適化問題として定式化し、内部レベルが各サブタスクを、共有された事前に基づいて解決する。 学習と教師あり学習の両方においてMAMLが達成した定常点の最適性を特徴付ける。
  論文  参考訳（メタデータ） (2020-06-23T17:33:14Z)
• A Dynamical Systems Approach for Convergence of the Bayesian EM Algorithm [59.99439951055238]
  我々は、(離散時間)リアプノフ安定性理論が、必ずしも勾配ベースではない最適化アルゴリズムの分析(および潜在的な設計)において、いかに強力なツールとして役立つかを示す。 本稿では,不完全データベイズフレームワークにおけるパラメータ推定を,MAP-EM (maximum a reari expectation-maximization) と呼ばれる一般的な最適化アルゴリズムを用いて行うことに着目したML問題について述べる。 高速収束(線形あるいは二次的)が達成され,S&Cアプローチを使わずに発表することが困難であった可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-23T01:34:18Z)

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。