論文の概要: On the Structural (Dis)Agreement of Landscape Representations in Black-Box Optimization

• arxiv url: http://arxiv.org/abs/2605.28121v1
• Date: Wed, 27 May 2026 08:13:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.874754
• Title: On the Structural (Dis)Agreement of Landscape Representations in Black-Box Optimization
• Title（参考訳）: ブラックボックス最適化における景観表現の構造(ディスク)について
• Authors: Sara Gjorgjieva, Eva Tuba, Barbara Koroušić Seljak, Carola Doerr, Tome Eftimov,
• Abstract要約: ランドスケープの特徴表現は、ブラックボックス最適化のためのアルゴリズム選択とメタラーニングにおいて中心的な役割を果たす。 本稿では,4つの最先端表現を体系的に評価する。 それぞれの表現が、明らかに異なる方法で同じ問題を整理していることを示す。
• 参考スコア（独自算出の注目度）: 3.4798674800607903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Landscape feature representations play a central role in automated algorithm selection and meta-learning for black-box optimization, yet little is known about how different representations agree (or disagree) in the structures they impose on problem spaces. This paper presents a systematic unsupervised evaluation of four state-of-the-art representations (ELA, DeepELA, TransOptAS, and DoE2Vec) using a diverse set of affine combinations of BBOB functions (MA-BBOB). By applying extensive clustering analyses, coverage-based stability measures, and cross-representation similarity assessments, we show that each representation organizes the same problems in markedly different ways: ELA and TransOptAS form compact geometric structures, DeepELA provides a balanced intermediate view, and DoE2Vec achieves strong semantic alignment but with substantial fragmentation. Our results reveal that no single representation dominates; rather, they capture complementary aspects of the underlying landscapes. These findings highlight the importance of multi-view analyses for understanding representation behavior and offer guidance on selecting or combining representations in downstream meta-learning and algorithm selection tasks. In addition, across two different algorithm families (Differential Evolution and Particle Swarm Optimization), we show that landscape representations face an inherent trade-off in how well they align structural landscape descriptions with observed performance, indicating that no single representation can fully capture algorithm performance.
• Abstract（参考訳）: ランドスケープの特徴表現は、ブラックボックス最適化のための自動アルゴリズムの選択とメタラーニングにおいて中心的な役割を果たすが、問題空間に課される構造において、異なる表現がどのように一致する(あるいは一致しない)かについてはほとんど分かっていない。 本稿では,BBOB関数のアフィン結合(MA-BBOB)を用いた4つの最先端表現(ELA, DeepELA, TransOptAS, DoE2Vec)の系統的教師なし評価を行った。 ELAとTransOptASはコンパクトな幾何学構造を形成し、DeepELAはバランスの取れた中間ビューを提供し、DoE2Vecは強いセマンティックアライメントを実現するが、相当な断片化を実現している。 以上の結果から,どの表現も支配的ではなく,背景となる景観の相補的な側面を捉えていることが明らかとなった。 これらの知見は、表現行動を理解するための多視点分析の重要性を強調し、下流メタ学習とアルゴリズム選択タスクにおける表現の選択と組み合わせに関するガイダンスを提供する。 さらに、2つの異なるアルゴリズムファミリ(差分進化と粒子群最適化)にわたって、ランドスケープ表現は、構造的なランドスケープ記述と観測された性能との整合性において、固有のトレードオフに直面しており、単一の表現がアルゴリズムのパフォーマンスを完全に捉えることができないことを示す。

関連論文リスト

• TopoAlign: Topology-Aware Visual Representation Alignment [18.80110544625249]
  TopoAlignは、構造の観点からモデル表現を視覚的に比較するためのフレームワークである。 TopoAlignは、トポロジカルな視点から表現構造とアライメントについて有意義な洞察を提供する。
  論文  参考訳（メタデータ） (2026-05-25T07:58:26Z)
• Semantic Generative Tuning for Unified Multimodal Models [62.18894352635965]
  統一マルチモーダルモデル(UMM)は、単一のアーキテクチャ内で視覚的理解と視覚的生成を統合する。 訓練パラダイムは 独立して テキスト信号を通して 理解を最適化する 密集したピクセルの目的を通して 生成する 本研究は,UMMの分離を橋渡しするための生成プロキシとして階層的視覚タスクを定式化する,生成後学習に関する最初の体系的な研究である。
  論文  参考訳（メタデータ） (2026-05-18T17:46:46Z)
• Hyperbolic Enhanced Representation Learning for Incomplete Multi-view Clustering [57.38215918201251]
  本稿では,不完全なマルチビュークラスタリングのためのハイパーボリック拡張表現学習フレームワークであるHERLを提案する。 ポアンカレボール内で操作すると、HERLは表現学習を強化するために構造を意識した潜在空間を構築する。 HERLは最先端のアプローチよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-04-18T10:50:46Z)
• Bridging Structure and Appearance: Topological Features for Robust Self-Supervised Segmentation [8.584363058858935]
  自己教師付きセマンティックセグメンテーション法は、外観の曖昧さに直面して失敗することが多い。 これは、影、光沢、局所的なテクスチャといった不安定で外観に基づく特徴に過度に依存しているためである、と我々は主張する。 安定な位相情報を活用することで外観と幾何学を橋渡しする新しいフレームワークである textbfGASeg を提案する。
  論文  参考訳（メタデータ） (2025-12-30T05:34:28Z)
• Modality Alignment across Trees on Heterogeneous Hyperbolic Manifolds [49.95082206008502]
  ツリーを横断するアライメントは、画像とテキストのモダリティの両方に対してツリーのような階層的な特徴を構築し、調整する手法である。 本稿では,中間トランスフォーマー層からの視覚的クラストークンにクロスアテンション機構を適用した意味認識型視覚特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-31T11:32:15Z)
• Neural Clustering based Visual Representation Learning [61.72646814537163]
  クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。 本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。 FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
  論文  参考訳（メタデータ） (2024-03-26T06:04:50Z)
• N2F2: Hierarchical Scene Understanding with Nested Neural Feature Fields [112.02885337510716]
  Nested Neural Feature Fields (N2F2)は、階層的な監視を用いて単一機能フィールドを学習する新しいアプローチである。 画像空間の任意のスケールで意味的に意味のある画素群を提供するために、2次元クラス非依存セグメンテーションモデルを利用する。 オープンな3次元セグメンテーションやローカライゼーションといったタスクにおいて,最先端のフィールド蒸留法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2024-03-16T18:50:44Z)
• A Clustering-guided Contrastive Fusion for Multi-view Representation Learning [7.630965478083513]
  本稿では、ビュー固有表現をビュー共通表現に融合する深層融合ネットワークを提案する。 また、ビュー共通表現とビュー固有表現を一致させる非対称なコントラスト戦略を設計する。 不完全な視点では,提案手法は競合相手よりもノイズ干渉に抵抗する。
  論文  参考訳（メタデータ） (2022-12-28T07:21:05Z)

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。