Fugu-MT 論文翻訳(概要): Meta-Black-Box Optimization with Ensemble Surrogate Modeling for Robustness-Accuracy Trade-off within SAEA

論文の概要: Meta-Black-Box Optimization with Ensemble Surrogate Modeling for Robustness-Accuracy Trade-off within SAEA

arxiv url: http://arxiv.org/abs/2606.00862v1
Date: Sat, 30 May 2026 19:26:32 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-02 21:34:28.891318
Title: Meta-Black-Box Optimization with Ensemble Surrogate Modeling for Robustness-Accuracy Trade-off within SAEA
Title（参考訳）: アンサンブルサロゲートモデリングを用いたSAEA内ロバストネス精度トレードオフのためのメタブラックボックス最適化
Abstract要約: 本稿では,アダプティブ・アンサンブル・サロゲート支援進化アルゴリズムであるAdaE-SAEAを提案する。 AdaE-SAEAはSAEAをMetaBBOフレームワークの低レベルとして組み込み、インフィル基準とアンサンブルに基づくサロゲートモデリングを共同で制御する。 AdaE-SAEAは最先端のベースラインやMetaBBOベースの手法よりも優れていることを示す。
参考スコア（独自算出の注目度）: 10.077883256783348
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Surrogate-assisted evolutionary algorithms (SAEAs) have been widely used for expensive black-box optimization problems. However, their reliance on rigid and manually designed components limits their flexibility and generalization across tasks. Meta-black-box optimization (MetaBBO) provides a promising paradigm for adaptively configuring algorithmic components. Nevertheless, existing MetaBBO methods usually control only a single component, and few studies have investigated the unified control of multi-component optimizers such as SAEAs. Moreover, the robustness-accuracy trade-off in surrogate modeling, which is crucial for stable early-stage exploration and accurate late-stage exploitation, has rarely been explicitly considered. To address these issues, we propose AdaE-SAEA, an adaptive ensemble surrogate-assisted evolutionary algorithm for expensive multi-objective optimization. AdaE-SAEA embeds SAEA as the low-level optimizer within the MetaBBO framework and jointly controls the infill criterion and ensemble-based surrogate modeling. Specifically, bagging and boosting are designed as surrogate modeling modules to adaptively balance robustness and accuracy across different search phases, while the meta-policy simultaneously selects the infill criterion to enable adaptive sampling decisions. The meta-policy is trained through reinforcement learning with parallel sampling and centralized training, improving both training efficiency and transferability. Experiments on synthetic and real-world problems demonstrate that AdaE-SAEA outperforms state-of-the-art baselines and MetaBBO-based methods. We further verify the effectiveness of TabPFN as the base surrogate model for ensemble learning. To the best of our knowledge, this is the first work to unify the control of surrogate modeling and infill criteria in SAEAs while explicitly addressing the robustness--accuracy trade-off.
Abstract（参考訳）: サロゲート支援進化アルゴリズム(SAEA)は高価なブラックボックス最適化問題に広く用いられている。しかしながら、厳密で手動で設計されたコンポーネントへの依存は、タスク間の柔軟性と一般化を制限する。メタブラックボックス最適化(MetaBBO)はアルゴリズムコンポーネントを適応的に構成するための有望なパラダイムを提供する。それにもかかわらず、既存のMetaBBO法は通常1つのコンポーネントのみを制御しており、SAEAのような多成分最適化器の統一的な制御について研究する研究はほとんどない。さらに, サロゲートモデルにおけるロバスト性・精度のトレードオフは, 安定な早期探査と正確な後期探査に不可欠であり, 明確に考慮されることは稀である。これらの問題に対処するため、我々は高価な多目的最適化のための適応的なアンサンブル・サロゲート支援進化アルゴリズムであるAdaE-SAEAを提案する。 AdaE-SAEAはSAEAをMetaBBOフレームワークの低レベルオプティマイザとして組み込み、インフィル基準とアンサンブルベースのサロゲートモデリングを共同で制御する。具体的には、各検索フェーズ間のロバスト性と精度を適応的にバランスさせるために、バッグングとブーイングをサロゲートモデルモジュールとして設計し、メタポリティクスは、インフィル基準を同時に選択し、適応的なサンプリング決定を可能にする。メタ政治は、並列サンプリングと集中トレーニングによる強化学習を通じて訓練され、訓練効率と伝達性の両方を改善している。 AdaE-SAEAは最先端のベースラインやMetaBBOベースの手法よりも優れていることを示す。さらに,アンサンブル学習のためのベースサロゲートモデルとしてTabPFNの有効性を検証する。我々の知る限りでは、これはSAEAにおけるサロゲートモデリングとインフィル基準のコントロールを統一する最初の取り組みであり、ロバスト性-正確性トレードオフに明示的に対応しています。

関連論文リスト

Be Your Own Teacher: Steering Protein Language Models via Unsupervised Reward Optimization [85.4863852505905]
タンパク質言語モデル(PLM)の教師なし報酬最適化を導入する。我々の重要な洞察は、本質的なモデルの不確実性とタンパク質表現モデルによって誘導される意味的整合性を組み合わせたタスク非依存報酬は、ベースモデルと温度レギュレーションの制御可能性指標と強い相関を示すことである。我々のフレームワークは、ラベル付けされた好みや実験的なフィードバックが不足したり、利用できないような環境で、制御可能な生体分子設計へのスケーラブルな経路を提供する。
論文参考訳（メタデータ） (2026-06-17T11:42:01Z)
AdaptMMBench: Benchmarking Adaptive Multimodal Reasoning for Mode Selection and Reasoning Process [35.95284812390557]
本稿では,実世界,OCR,GUI,知識,数学の5分野にわたる適応型マルチモーダル推論のベンチマークであるAdaptMMBenchを提案する。評価の結果,適応モード選択はモデルキャパシティに比例するが,最終的な精度から切り離されることが明らかとなった。
論文参考訳（メタデータ） (2026-02-02T19:00:27Z)
Surrogate Ensemble in Expensive Multi-Objective Optimization via Deep Q-Learning [17.84264663466905]
サロゲート支援進化アルゴリズム(SAEA)は、高価な最適化問題を解く上で有望な堅牢性を示している。 SAEAsの有効性に影響を与える重要な側面は、モデル選択の代理である。一つの最適化プロセス内で異なる代理モデルをスケジューリングできるSEEMOOと呼ばれる強化学習支援アンサンブルフレームワークを提案する。
論文参考訳（メタデータ） (2026-01-31T06:14:27Z)
Task-free Adaptive Meta Black-box Optimization [55.461814601130044]
対象タスクからのみ最適化データを用いてオンラインパラメータ適応を行うアダプティブメタブラックボックス最適化モデル(ABOM)を提案する。メタトレーニングと最適化フェーズを分離する従来のメタBBOフレームワークとは異なり、ABOMはクローズドループパラメータ学習機構を導入し、パラメータ化された進化演算子を継続的に自己更新する。このパラダイムシフトはゼロショット最適化を可能にする: 合成BBOベンチマークにおけるABOMの競合性能と、手作りのトレーニングタスクを伴わない現実的な無人飛行路計画問題。
論文参考訳（メタデータ） (2026-01-29T09:54:10Z)
Meta-Black-Box Optimization with Bi-Space Landscape Analysis and Dual-Control Mechanism for SAEA [8.45452791601094]
この研究は、SAEAを二重レベルに制御する最初のMetaBBOフレームワークと、代理モデル情報をキャプチャするバイスペースERAを紹介する。 DB-SAEAは、様々なベンチマークで最先端のベースラインを上回るだけでなく、高次元設定で見えないタスクに強力なゼロショット転送を示す。
論文参考訳（メタデータ） (2025-11-19T15:43:19Z)
Large Language Model-Driven Surrogate-Assisted Evolutionary Algorithm for Expensive Optimization [22.024630467760264]
サロゲート支援進化アルゴリズム(SAEA)は、コストのかかる最適化タスクに対処するための重要なツールである。本稿では,大規模言語モデル (LLM) を統合した新しい手法 LLM-SAEA を提案する。
論文参考訳（メタデータ） (2025-06-20T13:44:21Z)
Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
論文参考訳（メタデータ） (2024-12-03T19:20:08Z)
Slimmable Domain Adaptation [112.19652651687402]
重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
論文参考訳（メタデータ） (2022-06-14T06:28:04Z)
On Fast Adversarial Robustness Adaptation in Model-Agnostic Meta-Learning [100.14809391594109]
モデルに依存しないメタラーニング(MAML)は、数発の学習において最も成功したメタラーニング手法の1つである。メタモデルの一般化力にもかかわらず、マルチショット学習においてMDLがいかに敵対的堅牢性を維持することができるかは明らかではない。本稿では,ラベルなしデータ拡張,高速な攻撃生成,計算量軽微な微調整を可能にする,汎用的かつ最適化が容易なロバストネス正規化メタラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2021-02-20T22:03:04Z)
Meta-Learning with Neural Tangent Kernels [58.06951624702086]
メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
論文参考訳（メタデータ） (2021-02-07T20:53:23Z)

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。