論文の概要: Beyond Numerical Features: CNN-Driven Algorithm Selection via Contour Plots for Continuous Black-Box Optimization
- arxiv url: http://arxiv.org/abs/2605.20797v1
- Date: Wed, 20 May 2026 06:43:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-21 19:19:56.533613
- Title: Beyond Numerical Features: CNN-Driven Algorithm Selection via Contour Plots for Continuous Black-Box Optimization
- Title（参考訳）: 数値的特徴を超えて: 連続ブラックボックス最適化のための輪郭スロットによるCNN駆動アルゴリズムの選択
- Authors: Yiliang Yuan, Xiang Shi, Mustafa Misir,
- Abstract要約: そこで本研究では,ブラックボックス最適化に適用した,インスタンスごとのアルゴリズム選択に対する表現駆動型アプローチを提案する。
CNNレグレシタは、複数のインスタンス固有の輪郭ビューを取得し、ソリューションごとのパフォーマンスを予測し、予測された最高の値による選択を可能にする。
以上の結果から,簡単な視覚モデルでは,手作りのERAを使わずに,探索された景観の空間構造をアルゴリズム選択に活用できることが示唆された。
- 参考スコア（独自算出の注目度）: 2.4099286589123845
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The present paper introduces a new representation-driven approach to per-instance algorithm selection, applied to black-box optimization, for automatically choosing the most promising solver from a fixed portfolio. Prior work in continuous optimization largely relies on numerical descriptors, including Exploratory Landscape Analysis features and learned embeddings such as Deep-ELA. This work studies a complementary representation: contour-map visualizations of probed landscapes. A CNN regressor takes multiple instance-specific contour views (stacked or encoded per view and aggregated) and predicts per-solver performance, enabling selection by the predicted best value. On the standard BBOB 2009 single-objective protocol, the resulting selectors significantly outperform the single best solver (SBS) and are competitive with feature-based baselines. A subsequent bi-objective evaluation under the DeepELA setting further indicates that the same image-based principle can be competitive when using windowed contour views. Overall, the results suggest that simple vision models can exploit spatial structure in probed landscapes for algorithm selection without handcrafted ELA features.
- Abstract（参考訳）: 本稿では,固定ポートフォリオから最も有望な解法を自動選択するブラックボックス最適化に適用した,インスタンスごとのアルゴリズム選択のための新しい表現駆動方式を提案する。
連続最適化における以前の作業は、探索ランドスケープ分析機能やDeep-ELAのような学習済みの埋め込みなど、数値記述子に大きく依存していた。
本研究は, 探索された景観の輪郭図の可視化という, 相補的な表現について研究する。
CNNレグレシタは、複数のインスタンス固有の輪郭ビュー(ビュー毎にスタックまたはエンコードされ、集約される)を取得し、ゾルバ毎のパフォーマンスを予測し、予測された最高の値による選択を可能にする。
標準のBBOB 2009シングルオブジェクトプロトコルでは、セレクタはシングルベストソルバ(SBS)を著しく上回り、機能ベースのベースラインと競合する。
さらに、DeepELA設定下での2目的評価により、ウィンドウ付き輪郭ビューを使用する場合、同じ画像ベースの原則が競合する可能性が示唆された。
以上の結果から,簡単な視覚モデルでは,手作りのERAを使わずに,探索された景観の空間構造をアルゴリズム選択に活用できることが示唆された。
関連論文リスト
- VisPCO: Visual Token Pruning Configuration Optimization via Budget-Aware Pareto-Frontier Learning for Vision-Language Models [74.05545957865228]
視覚言語モデル(VLM)における高解像度画像とビデオフレームの処理による2次計算成長を効果的に緩和する視覚トークンプルーニング法
パレート構成最適化問題として視覚トークンプルーニングを定式化して最適構成を自動的に識別する新しいフレームワークを提案する。
提案手法では, Augmented Lagrangian 法を用いて, 勾配に基づく探索を可能にするために, 連続緩和とストレートスルー推定を用いる。
論文 参考訳（メタデータ） (2026-04-16T16:21:05Z) - MO-ELA: Rigorously Expanding Exploratory Landscape Features for Automated Algorithm Selection in Continuous Multi-Objective Optimisation [1.2832858109291982]
本稿では,ボックス制約付き連続最適化問題に対する新しい相補的特徴セット(MO-ELA)を提案する。
これらの特徴は、決定空間と目的空間の両方を考慮したランダムな点のサンプルに基づいている。
十分に確立された多目的ベンチマークで行われたAAS研究は、提案した特徴がアルゴリズム性能の区別に有効であることを示した。
論文 参考訳（メタデータ） (2026-01-24T12:30:42Z) - OPAL: Operator-Programmed Algorithms for Landscape-Aware Black-Box Optimization [14.153159547871352]
演算子プログラミングアルゴリズム(OPAL)でこのアイデアをインスタンス化する
OPALは、継続的なブラックボックス最適化のためのランドスケープ対応フレームワークである。
単一のメタ訓練されたOPALポリシーは、最先端の適応微分進化変種と統計的に競合する。
論文 参考訳（メタデータ） (2025-12-14T19:16:49Z) - Landscape Features in Single-Objective Continuous Optimization: Have We Hit a Wall in Algorithm Selection Generalization? [4.510532471907222]
本研究では,異なる問題表現に基づくASモデルの一般化可能性を評価する。
また,最近提案されたトポロジカルランドスケープ解析機能と同様に,最も広く利用されているランドスケープ解析機能についても検討している。
論文 参考訳（メタデータ） (2025-01-29T14:03:27Z) - MA-BBOB: Many-Affine Combinations of BBOB Functions for Evaluating
AutoML Approaches in Noiseless Numerical Black-Box Optimization Contexts [0.8258451067861933]
(MA-)BBOBは、一般公開のIOHファウンサープラットフォーム上に構築されている。
パフォーマンス分析と視覚化のためのインタラクティブなIOHanalyzerモジュールへのアクセスを提供し、(MA-)BBOB関数で利用可能なリッチで成長中のデータコレクションとの比較を可能にする。
論文 参考訳（メタデータ） (2023-06-18T19:32:12Z) - Towards Automated Design of Bayesian Optimization via Exploratory
Landscape Analysis [11.143778114800272]
AFの動的選択はBO設計に有用であることを示す。
我々は,オートML支援のオンザフライBO設計への道を開き,その動作をランニング・バイ・ランで調整する。
論文 参考訳（メタデータ） (2022-11-17T17:15:04Z) - Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。
1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。
各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-11T03:25:25Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳（メタデータ） (2021-03-22T20:36:34Z) - A Deep-Unfolded Reference-Based RPCA Network For Video
Foreground-Background Separation [86.35434065681925]
本稿では,ロバスト主成分分析(RPCA)問題に対するディープアンフォールディングに基づくネットワーク設計を提案する。
既存の設計とは異なり,本手法は連続するビデオフレームのスパース表現間の時間的相関をモデル化することに焦点を当てている。
移動MNISTデータセットを用いた実験により、提案したネットワークは、ビデオフォアグラウンドとバックグラウンドの分離作業において、最近提案された最先端のRPCAネットワークより優れていることが示された。
論文 参考訳（メタデータ） (2020-10-02T11:40:09Z) - A Flexible Framework for Designing Trainable Priors with Adaptive
Smoothing and Game Encoding [57.1077544780653]
我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。
グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。
このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
論文 参考訳（メタデータ） (2020-06-26T08:34:54Z) - Stepwise Model Selection for Sequence Prediction via Deep Kernel
Learning [100.83444258562263]
本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。
結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。
我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
論文 参考訳（メタデータ） (2020-01-12T09:42:19Z)
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。