論文の概要: WASHH: An Anchor-Aware Whale-Guided Selection Hyper-Heuristic for Continuous Optimization and SVC Configuration

• arxiv url: http://arxiv.org/abs/2605.28844v1
• Date: Wed, 13 May 2026 13:02:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 02:55:43.034483
• Title: WASHH: An Anchor-Aware Whale-Guided Selection Hyper-Heuristic for Continuous Optimization and SVC Configuration
• Title（参考訳）: WASHH: Anchor-Aware Whale-Guided Selection Hyper-Heuristic for Continuous Optimization and SVC Configuration
• Authors: Yifu Zhao, Xiaofan Zou, Junhao Wei, Yanxiao Li, Baili Lu, Zhenhong Peng, Dexing Yao, Haochen Li, Qinbin He, Sio-Kei Im, Xu Yang, Yapeng Wang,
• Abstract要約: ブラックボックス最適化のためのWhale-Guided Adaptive Selection Hyper-Heuristicを提案する。 WASHHは、PSOスタイルのメモリ、GWOスタイルのリーダ平均化、Dスタイルのバリエーション、ローカル座標探索、アンカー誘導精製を選択可能な検索動作として扱う。 10個の独立ランと12,000の評価を持つ10個の30次元のベンチマーク関数において、WASHHは最高ランクの1.10を達成し、10個の関数で最良または最良である。
• 参考スコア（独自算出の注目度）: 8.101587492842006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning-assisted algorithm design often has to make reliable search decisions under small evaluation budgets, where committing to a single metaheuristic can be unreliable. We propose WASHH, a Whale-guided Adaptive Selection Hyper-Heuristic for continuous black-box optimization. WASHH uses WOA as the main exploitation backbone, but treats PSO-style memory, GWO-style leader averaging, DE-style variation, local coordinate search, and anchor-guided refinement as selectable search behaviors. An online reward controller allocates evaluations according to observed improvements, while anchor refinement exploits inexpensive reference configurations such as box centers or default model settings without bypassing black-box evaluation. On ten 30-dimensional benchmark functions with 10 independent runs and 12,000 evaluations, WASHH achieves the best average rank, 1.10, and is best or tied best on all ten functions. It strictly improves over WOA on eight functions and ties WOA at the numerical optimum on Rastrigin and Griewank. We further study SVC hyperparameter configuration for breast cancer diagnosis under a 300-evaluation budget. WASHH obtains the lowest mean validation log loss among the compared optimizers, suggesting that anchor-aware selection hyper-heuristics are a practical lightweight direction for LEAD systems.
• Abstract（参考訳）: 学習支援アルゴリズムの設計は、小さな評価予算の下で信頼できる探索決定を行う必要があり、単一のメタヒューリスティックへのコミットは信頼できない。 連立ブラックボックス最適化のためのWhale-Guided Adaptive Selection Hyper-Heuristicを提案する。 WASHHはWOAをメインエクスプロイトバックボーンとして使用するが、PSOスタイルのメモリ、GWOスタイルのリーダ平均化、Dスタイルのバリエーション、ローカル座標探索、アンカー誘導の洗練を選択可能な検索動作として扱う。 オンライン報酬コントローラは、観測された改善に応じて評価を割り当て、アンカーリファインメントはブラックボックス評価をバイパスすることなく、ボックスセンターやデフォルトモデル設定のような安価な参照設定を利用する。 10個の独立ランと12,000の評価を持つ10個の30次元のベンチマーク関数において、WASHHは最高ランクの1.10を達成し、10個の関数で最良または最良である。 8つの関数でWOAよりも厳密に改善され、ラストリギンとグリーワンクの数値最適化でWOAと結びつく。 また, 乳がん診断のためのSVCハイパーパラメータ構成について, 300-evaluation budget を用いて検討した。 WASHHは、比較したオプティマイザの中で最小平均検証ログ損失を求め、アンカー・アウェア選択ハイパーヒューリスティックスがLEADシステムにとって実用的な軽量な方向であることを示唆している。

関連論文リスト

• Select Smarter, Not More: Prompt-Aware Evaluation Scheduling with Submodular Guarantees [28.54776477263591]
  本稿では, Prompt-Aware Online Evaluation Scheduling (POES)を提案する。 POESはIRTベースの識別ユーティリティ、施設位置のカバレッジ用語、スイッチングコストを意識したウォームスタートスワップを統一された目的に統合する。 POESは、無視できるトークンオーバーヘッドで、全体的な平均精度(最高のベースラインよりも6.2%改善)が最も高い。
  論文  参考訳（メタデータ） (2026-04-13T11:31:04Z)
• K-Sort Eval: Efficient Preference Evaluation for Visual Generation via Corrected VLM-as-a-Judge [51.93484138861584]
  視覚生成モデルの急速な開発により、よりスケーラブルで人間に合わせた評価方法の必要性が高まっている。 K-Sort Evalは,後方補正と動的マッチングを統合した信頼性と効率的なVLMに基づく評価フレームワークである。 実験の結果、K-Sort EvalはK-Sort Arenaと一致した評価結果を提供する。
  論文  参考訳（メタデータ） (2026-02-10T05:07:46Z)
• VAPO: Efficient and Reliable Reinforcement Learning for Advanced Reasoning Tasks [49.0793012627959]
  本稿では,価値に基づくパラダイム内での推論モデルに適した新しいフレームワークVAPOを提案する。 VAPOは最先端のスコアが$mathbf60.4$に達する。 同じ実験条件下で直接比較すると、VAPOはDeepSeek-R1-Zero-Qwen-32BとDAPOの結果を10点以上上回っている。
  論文  参考訳（メタデータ） (2025-04-07T14:21:11Z)
• Lower-Left Partial AUC: An Effective and Efficient Optimization Metric for Recommendation [52.45394284415614]
  我々は,AUCのように計算効率が良く,Top-Kランキングの指標と強く相関する新しい最適化指標であるLLPAUCを提案する。 LLPAUCはローワーレフト角のROC曲線の下の部分領域のみを考慮し、最適化はトップKに焦点をあてる。
  論文  参考訳（メタデータ） (2024-02-29T13:58:33Z)
• Optimizing Partial Area Under the Top-k Curve: Theory and Practice [151.5072746015253]
  トップk曲線下部分領域(AUTKC)と呼ばれる新しい計量法を開発した。 AUTKCはより優れた識別能力を持ち、ベイズ最適スコア関数は条件付き確率に対して正しいトップKランクを与えることができる。 提案手法を最適化するために,実証的なサロゲートリスク最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-03T11:09:13Z)
• Regret-Aware Black-Box Optimization with Natural Gradients, Trust-Regions and Entropy Control [17.430247457941284]
  CMA-ESのような最も成功したブラックボックスは、新しい検索分布を得るために個々のサンプルのランキングを使用する。 これらのアルゴリズムは、通常、検索分布の質の高い平均推定値を生成するが、これらのアルゴリズムは後悔を知らないため、生成したサンプルは品質が劣る可能性がある。 対照的に、Relative Entropy Search (MORE)アルゴリズムは、ランキングを使わずに、期待されるフィットネス機能を直接最適化する。
  論文  参考訳（メタデータ） (2022-05-24T16:25:15Z)

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。