論文の概要: Adaptive Stochastic Natural Gradient Method for Safe Optimization on Binary Space

• arxiv url: http://arxiv.org/abs/2605.17925v1
• Date: Mon, 18 May 2026 06:31:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.921317
• Title: Adaptive Stochastic Natural Gradient Method for Safe Optimization on Binary Space
• Title（参考訳）: 2元空間上での安全最適化のための適応確率的自然勾配法
• Authors: Kento Uchida, Ryoki Hamano, Masahiro Nomura, Shinichi Shirakawa,
• Abstract要約: 適応的自然勾配法(ASNG)に基づく二元探索空間の安全な最適化法を提案する。 セーフASNGは、以前に評価された安全なソリューションの周りに安全なソリューションからなる安全な領域を計算します。 安全領域内の隣人に新たに生成したソリューションを投影することにより、安全なASNGは安全でないソリューション評価を抑制する。
• 参考スコア（独自算出の注目度）: 6.388430091498445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimization problems in real-world applications across the medical and engineering domains often involve potential risks when evaluating candidate solutions. Safe optimization aims to perform optimization while suppressing unsafe solution evaluations in such situations. For continuous search spaces, there exist safe optimization methods based on evolutionary computation. However, the algorithm development of safe optimization methods for binary search spaces has not been adequately addressed. In this study, we incorporate additional mechanisms for safe optimization into a binary optimization method, the adaptive stochastic natural gradient method (ASNG) with a family of Bernoulli distributions. For safety functions that must be kept non-negative during optimization, the proposed method, safe ASNG, estimates the Lipschitz constants with respect to the Hamming distance by constructing surrogate models of safety functions based on discrete Walsh functions. Then, safe ASNG computes a safe region that consists of safe solutions around the previously evaluated safe solutions. By projecting newly generated solutions to their nearest neighbors within the safe region, safe ASNG suppresses unsafe solution evaluations. Experimental results on benchmark problems on binary domains confirm that, while the comparative methods fail to suppress unsafe solution evaluations, safe ASNG achieves efficient optimization while effectively suppressing unsafe solution evaluations.
• Abstract（参考訳）: 医療分野や工学分野にまたがる現実世界のアプリケーションにおける最適化問題は、候補となるソリューションを評価する際に潜在的なリスクを伴うことが多い。 セーフ最適化は、そのような状況下での安全でないソリューション評価を抑えながら最適化を行うことを目的としている。 連続探索空間に対しては、進化的計算に基づく安全な最適化手法が存在する。 しかし、二進探索空間に対する安全な最適化手法のアルゴリズム開発は不十分である。 本研究では,Bernolli分布の族を持つ適応確率的自然勾配法 (ASNG) に,安全な最適化のための追加の機構を組み込む。 最適化中に非負に保たなければならない安全関数に対しては、離散ウォルシュ関数に基づく安全関数の代理モデルを構築することにより、ハミング距離に関するリプシッツ定数を推定する。 次に、セーフASNGは、以前に評価された安全なソリューションの周りに安全なソリューションからなる安全な領域を計算します。 安全領域内の隣人に新たに生成したソリューションを投影することにより、安全なASNGは安全でないソリューション評価を抑制する。 二項領域のベンチマーク問題に対する実験結果から,提案手法は安全でない解評価を抑えるのに失敗するが,安全性の高いASNGは安全でない解評価を効果的に抑制し,効率的な最適化を実現することが確認された。

関連論文リスト

• Rethinking Safety in LLM Fine-tuning: An Optimization Perspective [56.31306558218838]
  我々は、本質的にトレードオフではなく、最適化の貧弱な選択が、しばしば安全上の問題を引き起こすことを示し、敵のプロンプトに対する有害な応答として測定する。 安全性能を保ったパラメータ空間における簡易指数移動平均(EMA)運動量法を提案する。 複数のデータセットにまたがるLlamaファミリーに関する実験は、安全性の問題が特別な介入なしに回避できることを実証している。
  論文  参考訳（メタデータ） (2025-08-17T23:46:36Z)
• Safe Time-Varying Optimization based on Gaussian Processes with Spatio-Temporal Kernel [4.586346034304039]
  TVSafeOptは、未知の報酬と安全機能を持つ時間変化最適化問題のアルゴリズムである。 TVSafeOptは、明示的な変更検出を必要とせずに、時間変化のある安全な領域を安全に追跡することができる。 その結果,TVSafeOptは,安全と最適性の両方に関して,合成データ上でSafeOptと良好に比較できることがわかった。
  論文  参考訳（メタデータ） (2024-09-26T16:09:19Z)
• CMA-ES for Safe Optimization [9.130749109828717]
  本研究は,効率的な進化アルゴリズムとしてCMA-ESに着目し,安全なCMA-ESと呼ばれる最適化手法を提案する。 安全なCMA-ESは、安全な最適化において安全性と効率の両方を達成するように設計されている。
  論文  参考訳（メタデータ） (2024-05-17T04:24:56Z)
• Information-Theoretic Safe Bayesian Optimization [59.758009422067005]
  そこでは、未知の(安全でない)制約に反するパラメータを評価することなく、未知の関数を最適化することを目的としている。 現在のほとんどのメソッドはドメインの離散化に依存しており、連続ケースに直接拡張することはできない。 本稿では,GP後部を直接利用して,最も情報に富む安全なパラメータを識別する情報理論的安全な探索基準を提案する。
  論文  参考訳（メタデータ） (2024-02-23T14:31:10Z)
• Bayesian Optimization with Formal Safety Guarantees via Online Conformal Prediction [36.14499894307206]
  ブラックボックスゼロ階最適化は、金融、物理学、工学といった分野における応用において中心的な原始である。 本稿では,提案手法の安全性に関するフィードバックも提供するシナリオについて検討する。 制約関数の性質に関わらず、安全要件を満たす新しいBOベースのアプローチが導入された。
  論文  参考訳（メタデータ） (2023-06-30T17:26:49Z)
• Log Barriers for Safe Black-box Optimization with Application to Safe Reinforcement Learning [72.97229770329214]
  本稿では,学習時の安全性維持が不可欠である高次元非線形最適化問題に対する一般的なアプローチを提案する。 LBSGDと呼ばれるアプローチは、慎重に選択されたステップサイズで対数障壁近似を適用することに基づいている。 安全強化学習における政策課題の違反を最小限に抑えるためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-07-21T11:14:47Z)
• Chance-Constrained Trajectory Optimization for Safe Exploration and Learning of Nonlinear Systems [81.7983463275447]
  学習に基づく制御アルゴリズムは、訓練のための豊富な監督を伴うデータ収集を必要とする。 本稿では,機会制約付き最適制御と動的学習とフィードバック制御を統合した安全な探索による最適動作計画のための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-09T05:57:43Z)

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。