論文の概要: General-Purpose Co-Evolutionary Construction of Parallel Algorithm Portfolios for Multi-Objective Binary Optimization

• arxiv url: http://arxiv.org/abs/2605.15729v1
• Date: Fri, 15 May 2026 08:32:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.221648
• Title: General-Purpose Co-Evolutionary Construction of Parallel Algorithm Portfolios for Multi-Objective Binary Optimization
• Title（参考訳）: 多目的バイナリ最適化のための並列アルゴリズムポートフォリオの汎用共進化的構築
• Abstract要約: 本稿では、多目的バイナリ最適化(DACMO)のためのパラメータ化探索のドメインに依存しない共進化を提案する。 まず、ドメイン不変性とインスタンス固有性を分離したニューラルインスタンス表現アーキテクチャを提案する。 第2に,LLMに基づく自動探索演算子生成をPAP構築に導入し,パラメータチューニングから演算子レベルのアルゴリズム設計まで探索空間を拡張した。
• 参考スコア（独自算出の注目度）: 23.8937164783691
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite recent progress in constructing generalizable parallel algorithm portfolios (PAPs), no general-purpose approach is yet available for multi-objective binary optimization problems (MOBOPs). To fill this gap, this paper proposes domain-agnostic co-evolution of parameterized search for multi-objective binary optimization~(DACMO), which features two technical innovations. First, we propose a neural instance representation architecture that decouples domain-invariant and instance-specific features, enabling class-consistent instance generation across varying dimensions without problem-specific instance generators. Second, we introduce LLM-based automatic search operator generation into PAP construction, extending the search space from parameter tuning of predefined templates to operator-level algorithm design. We evaluate DACMO on four representative MOBOP classes to demonstrate its effectiveness as a general-purpose PAP construction method: the multi-objective match max problem~(MMMP), the multi-objective knapsack problem~(MKP), the multi-objective contamination control problem (MCCP), and the multi-objective complementary influence maximization problem~(MCIMP). Experimental results show that DACMO can be directly applied to all four problem classes without modification, outperforms PAPs built from classic MOEA templates, and achieves performance comparable to a privileged state-of-the-art baseline that relies on manually designed problem-specific instance generators, while outperforming it on two of the four evaluated problem classes.
• Abstract（参考訳）: 一般化可能な並列アルゴリズムポートフォリオ(PAPs)の構築は近年進歩しているが、多目的バイナリ最適化問題(MOBOPs)に対する汎用的なアプローチはまだ提供されていない。 このギャップを埋めるために、多目的バイナリ最適化のためのパラメータ化探索のドメインに依存しない共進化(DACMO)を提案する。 まず、ドメイン不変性とインスタンス固有性を分離し、問題固有のインスタンスジェネレータを使わずに様々な次元にわたってクラス一貫性のあるインスタンス生成を可能にするニューラルネットワークインスタンス表現アーキテクチャを提案する。 第2に,事前に定義されたテンプレートのパラメータチューニングから演算子レベルのアルゴリズム設計まで,探索空間を拡張したLPMベースの自動探索演算子をPAP構築に導入する。 多目的マッチマックス問題~(MMMP)、多目的クナップサック問題~(MKP)、多目的汚染制御問題(MCCP)、多目的補完影響最大化問題~(MCIMP)である。 実験の結果,DACMOは従来のMOEAテンプレートをベースとしたPAPよりも優れており,手動で設計した問題固有のインスタンスジェネレータに依存した特権的最先端のベースラインに匹敵する性能を実現し,評価された4つの問題クラスのうち2つで性能を向上することがわかった。

関連論文リスト

• New Hybrid Fine-Tuning Paradigm for LLMs: Algorithm Design and Convergence Analysis Framework [52.69678300445233]
  fine-tuning Large Language Models (LLMs) は通常、すべてのモデルパラメータを更新するフルきめ細やかな調整を必要とする。 PEFT(Efficient Fine-Tuning)は、パラメータの小さなサブセットを調整する。 ゼロ次最適化法と1次最適化法を組み合わせて,LLMとPEFTモジュールを共同で更新するハイブリッドファインチューニング手法を提案する。
  論文  参考訳（メタデータ） (2026-04-10T22:39:38Z)
• Multi-Paradigm Collaborative Adversarial Attack Against Multi-Modal Large Language Models [67.45032003041399]
  本稿では,MLLMに対する敵例の転送可能性を高めるために,MPCAttack(Multi-Paradigm Collaborative Attack)フレームワークを提案する。 MPCOは異なるパラダイム表現の重要性を適応的にバランスさせ、グローバルな最適化を導く。 我々のソリューションは、オープンソースおよびクローズドソースMLLMに対する標的および未ターゲットの攻撃において、常に最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2026-03-05T06:01:26Z)
• LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.35609820607923]
  大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。 LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。 LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
  論文  参考訳（メタデータ） (2025-08-16T02:00:57Z)
• Evolving Generalizable Parallel Algorithm Portfolios via Domain-Agnostic Instance Generation [27.138566940625385]
  一般化は、データからトレーニングする際の中核的な目的である。 並列アルゴリズムポートフォリオ(PAP)とインスタンス人口を同時に進化させることによって、共進化的アプローチはこの課題に対処する。 本研究は,パラメタライズドサーチ(DACE)のドメインに依存しない共進化という,汎用的で既成のPAP構築手法を提案する。
  論文  参考訳（メタデータ） (2025-01-06T10:29:48Z)
• UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [51.00436121587591]
  マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。 重みベクトル w でパラメトリした線型効用関数の場合に焦点を当てる。 学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-05-01T09:34:42Z)
• Automatic Construction of Parallel Algorithm Portfolios for Multi-objective Optimization [2.9649783577150837]
  並列ポートフォリオアルゴリズム(PAP)は,複数のMOEAを独立に動作させ,その利点を最大限に活用する。 PAPのマニュアル構築は非自明で面倒であるため、我々は高性能なPAPを自動構築することを提案する。 自動構築されたMOEA/PAPは、人間の専門家が設計した最先端のMOEAと競合する可能性さえも示している。
  論文  参考訳（メタデータ） (2022-11-17T12:42:54Z)
• A Pareto-optimal compositional energy-based model for sampling and optimization of protein sequences [55.25331349436895]
  深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。 これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
  論文  参考訳（メタデータ） (2022-10-19T19:04:45Z)
• A General Framework for Sample-Efficient Function Approximation in Reinforcement Learning [132.45959478064736]
  モデルベースとモデルフリー強化学習を統合した汎用フレームワークを提案する。 最適化に基づく探索のための分解可能な構造特性を持つ新しい推定関数を提案する。 本フレームワークでは,OPERA (Optimization-based Exploration with Approximation) という新しいサンプル効率アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-30T17:59:16Z)
• Decomposition in Decision and Objective Space for Multi-Modal Multi-Objective Optimization [15.681236469530397]
  多モード多目的最適化問題(MMMOP)はパレート最適集合内に複数の部分集合を持つ。 一般的な多目的進化的アルゴリズムは、複数の解部分集合を探索するために純粋に設計されていないが、MMMOP向けに設計されたアルゴリズムは、目的空間における劣化した性能を示す。 これは、MMMOPに対処するためのより良いアルゴリズムの設計を動機付けている。
  論文  参考訳（メタデータ） (2020-06-04T03:18:47Z)
• Hybrid Adaptive Evolutionary Algorithm for Multi-objective Optimization [0.0]
  本稿では、MoHAEAと呼ばれるハイブリッド適応進化アルゴリズム(HAEA)の拡張として、新しい多目的アルゴリズムを提案する。 MoHAEAは、MOEA/D、pa$lambda$-MOEA/D、MOEA/D-AWA、NSGA-IIの4つの状態と比較される。
  論文  参考訳（メタデータ） (2020-04-29T02:16:49Z)

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。