論文の概要: Anarchy in the swarm: Testing informed and uninformed diversity-enhancing mechanisms within PSO framework

• arxiv url: http://arxiv.org/abs/2605.25093v1
• Date: Sun, 24 May 2026 14:15:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.754255
• Title: Anarchy in the swarm: Testing informed and uninformed diversity-enhancing mechanisms within PSO framework
• Title（参考訳）: 群集におけるアナキシー:PSOフレームワークにおける情報的・非情報的多様性向上機構の検証
• Authors: Piotr Urbańczyk, Aleksandra Urbańczyk,
• Abstract要約: 本稿では,Swarmの社会的・認知的要素を操作する,問題解決型多様性向上戦略のファミリーを紹介する。 多様性向上の有効性は、主にSwarmのダイナミックスにどのように埋め込まれているかによって決定される。
• 参考スコア（独自算出の注目度）: 45.88028371034407
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Particle Swarm Optimization (PSO) frequently suffers from premature convergence. This paper introduces a family of problem-informed diversity-enhancing strategies that manipulate the swarm's social and cognitive components. These include opposing-best strategies that repel particles from optimal regions, negative learning strategies that guide exploration toward poor solutions, and reverse learning strategies that push particles away from inferior regions. These socio-cognitive mechanisms are evaluated against an analogous suite of problem-unaware, explicit randomization strategies that inject randomness either into velocity update components or directly into position updates. The results reveal that the effectiveness of diversity enhancement is determined primarily by how it is embedded within the swarm dynamics, rather than by the mere presence of extraneous problem-informed guidance. Particularly, random perturbations introduced at the velocity-update level consistently outperform those applied directly to particle positions.
• Abstract（参考訳）: Particle Swarm Optimization (PSO) はしばしば早期収束に悩まされる。 本稿では,Swarmの社会的・認知的要素を操作する,問題解決型多様性向上戦略のファミリーを紹介する。 これには、最適領域から粒子を撃退する反対ベット戦略、貧弱な解への探索を導く負の学習戦略、下位領域から粒子を遠ざける逆学習戦略が含まれる。 これらの社会認知メカニズムは、速度更新コンポーネントにランダム性を注入するか、位置更新に直接注入する、問題を認識しない、明示的なランダム化戦略の類似集合に対して評価される。 これらの結果から,多様性向上の有効性は,外在的な問題インフォームドガイダンスの存在によってではなく,スワム力学にどのように埋め込まれているかによって決定されることが明らかとなった。 特に、速度更新レベルで導入されたランダムな摂動は、粒子位置に直接適用されるものよりも一貫して優れていた。

関連論文リスト

• Mitigating Premature Exploitation in Particle-based Monte Carlo for Inference-Time Scaling [15.828750560145751]
  推論時間スケーリング(ITS)は、世代毎により多くの計算を割り当てることで、言語モデルを改善する。 PFは複雑な数学的推論タスクのための強力なITS手法として登場した。 プロセス報酬モデルによって導かれると脆弱性があり、しばしば推論プロセスの早い段階で過信のスコアを割り当てる。 この障害モードは、特に制約された計算予算の下では、パーティクル・インバディション(Particle Impoverishment)として知られている。 本稿では,この問題を解決するために2つの新しい手法を統合するアルゴリズムであるEntropic Particle Filtering (ePF)を紹介する。
  論文  参考訳（メタデータ） (2025-10-07T11:48:32Z)
• Learning Strategies in Particle Swarm Optimizer: A Critical Review and Performance Analysis [0.6437284704257459]
  素粒子群最適化(PSO)はその単純さと効率性からSIアルゴリズムに広く採用されている。 我々は、このギャップに対処するために様々な学習戦略をレビューし、分類し、最適化性能への影響を評価した。 我々は、自己適応的でインテリジェントなPSO変種の必要性を強調し、オープンな課題と今後の方向性について議論する。
  論文  参考訳（メタデータ） (2025-04-16T06:50:02Z)
• Orthogonally Initiated Particle Swarm Optimization with Advanced Mutation for Real-Parameter Optimization [0.04096453902709291]
  本稿では,多角形PSO(orthogonal PSO with Mutation,OPSO-m)と呼ばれる拡張粒子群(PSO)を紹介する。 PSOのための改良された初期Swarmを育むための配列ベースの学習手法を提案し、Swarmベースの最適化アルゴリズムの適応性を大幅に向上させた。 この記事はさらに、人口を正規グループとエリートグループに分割する、アーカイブベースの自己適応学習戦略を提示する。
  論文  参考訳（メタデータ） (2024-05-21T07:16:20Z)
• Confronting Reward Overoptimization for Diffusion Models: A Perspective of Inductive and Primacy Biases [76.9127853906115]
  拡散モデルと人間の嗜好のギャップを埋めることが、実用的生成への統合に不可欠である。 本稿では,拡散モデルの時間的帰納バイアスを利用したポリシー勾配アルゴリズムTDPO-Rを提案する。 実験の結果,報酬過小評価を緩和する手法が有効であることが示された。
  論文  参考訳（メタデータ） (2024-02-13T15:55:41Z)
• Enhancing Adversarial Robustness via Score-Based Optimization [22.87882885963586]
  敵対的攻撃は、わずかな摂動を導入することによって、ディープニューラルネットワーク分類器を誤認する可能性がある。 ScoreOptと呼ばれる新しい対向防御方式を導入し、テスト時に対向サンプルを最適化する。 実験の結果,本手法は性能とロバスト性の両方において,既存の敵防御よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-10T03:59:42Z)
• Variance-Reduced Gradient Estimation via Noise-Reuse in Online Evolution Strategies [50.10277748405355]
  Noise-Reuse Evolution Strategies (NRES) は、非バイアスのオンライン進化戦略の一般的なクラスである。 NRESの結果は既存のAD法やES法よりも早く,様々なアプリケーションにまたがるウォールクロック時間とステップ数で収束することを示す。
  論文  参考訳（メタデータ） (2023-04-21T17:53:05Z)
• Randomized Adversarial Style Perturbations for Domain Generalization [49.888364462991234]
  本稿では,RASP(Randomized Adversarial Style Perturbation)と呼ばれる新しい領域一般化手法を提案する。 提案アルゴリズムは, ランダムに選択されたクラスに対して, 対角方向の特徴のスタイルを乱し, 予期せぬ対象領域で観測される予期せぬスタイルに誤解されないよう, モデルを学習させる。 提案アルゴリズムは,様々なベンチマークによる広範な実験により評価され,特に大規模ベンチマークにおいて,領域一般化性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-04-04T17:07:06Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)

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。