論文の概要: Evaluating Real-World Generalizability of Algorithm Selection Models

• arxiv url: http://arxiv.org/abs/2606.02016v1
• Date: Mon, 01 Jun 2026 10:07:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:31.783761
• Title: Evaluating Real-World Generalizability of Algorithm Selection Models
• Title（参考訳）: アルゴリズム選択モデルの実世界の一般化性評価
• Authors: Gjorgjina Cenikj, Jakub Kudela, Eva Tuba, Tome Eftimov,
• Abstract要約: アルゴリズム選択(AS)は、与えられた問題インスタンスに最も適したアルゴリズムを自動的に識別することを目的としている。 広く使われている2つの学術ベンチマークスイート(BBOBとCEC)と2つの実世界の問題セットについて考察する。
• 参考スコア（独自算出の注目度）: 8.042202182647852
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Algorithm Selection (AS) aims to automatically identify the most suitable optimization algorithm for a given problem instance by leveraging measurable problem characteristics and historical performance data. In this study, we investigate the generalization ability of AS models across both synthetic and real-world optimization landscapes. We consider two widely used academic benchmark suites (BBOB and CEC) and two real-world problem sets (robotics trajectory optimization tasks and unmanned aerial vehicle path-planning problems). Through a systematic cross-benchmark evaluation, we analyze how AS models transfer between domains, identify where generalization succeeds or breaks down, and highlight the challenges that arise when applying AS in realistic, domain-specific contexts. Our findings provide insights into the robustness of current AS approaches and inform the development of more reliable, broadly applicable AS systems for real-world optimization.
• Abstract（参考訳）: アルゴリズム選択(AS)は、測定可能な問題特性と過去のパフォーマンスデータを活用することにより、与えられた問題インスタンスに対して最適な最適化アルゴリズムを自動的に識別することを目的としている。 本研究では,合成および実世界の最適化ランドスケープにおけるASモデルの一般化能力について検討した。 本稿では,2つの学術ベンチマークスイート(BBOBとCEC)と2つの実世界の問題セット(ロボット軌道最適化タスクと無人航空機経路計画問題)について考察する。 組織的なクロスベンチマーク評価を通じて、ASモデルがどのようにドメイン間で転送するかを分析し、一般化が成功するか、あるいは分解されるかを特定し、現実的なドメイン固有のコンテキストでASを適用する際に生じる課題を強調します。 本研究は,現在のASアプローチの堅牢性に関する知見を提供し,より信頼性が高く,広く適用可能なASシステムの開発を実世界の最適化のために通知するものである。

関連論文リスト

• Closing the Generalization Gap in Parameter-efficient Federated Edge Learning [43.00634399799955]
  フェデレーションエッジラーニング(FEEL)は人工知能(AI)のための有望な基盤を提供する 限定的で異種なローカルデータセット、およびリソース制限されたデプロイメントは、モデル一般化とリソース利用の両方を著しく低下させる。 本稿では,モデル最小化と一般化選択を併用して,このような課題に対処するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-28T15:34:09Z)
• OIBench: Benchmarking Strong Reasoning Models with Olympiad in Informatics [13.049841309304922]
  本稿では,OIBenchについて紹介する。OIBenchは高品質でプライベートで,250個の厳格なオリジナル問題からなる,オリンピックレベルの情報データセットである。 ベンチマークの構築手法を詳述し、様々なプログラミングパラダイムや複雑さの包括的評価を確実にする。 我々は,よりきめ細かな効率解析のための時間/空間補完曲線を提案し,直接人-モデル比較を可能にする。
  論文  参考訳（メタデータ） (2025-06-12T08:33:38Z)
• Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
  強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。 大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。 統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:47:00Z)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)
• 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)
• LLaMA-Berry: Pairwise Optimization for O1-like Olympiad-Level Mathematical Reasoning [56.273799410256075]
  このフレームワークはMonte Carlo Tree Search (MCTS)と反復的なSelf-Refineを組み合わせて推論パスを最適化する。 このフレームワークは、一般的なベンチマークと高度なベンチマークでテストされており、探索効率と問題解決能力の点で優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-03T18:12:29Z)
• Mining Large Independent Sets on Massive Graphs [47.21699378695116]
  ARCISは、巨大なグラフ上の大きな独立した集合をマイニングするための効率的なアルゴリズムである。 ARCISは、ほとんどのインスタンスで最高の、または最も結びついたソリューション品質が得られることを示す。
  論文  参考訳（メタデータ） (2022-08-16T14:39:38Z)
• Explainable Landscape-Aware Optimization Performance Prediction [0.0]
  ランドスケープを考慮した回帰モデルについて検討する。 各景観特徴の最適化アルゴリズム性能予測への寄与を,グローバルおよびローカルレベルで推定する。 その結果、異なる問題インスタンスに対して異なる機能セットが重要であるという概念の証明が得られた。
  論文  参考訳（メタデータ） (2021-10-22T07:46:33Z)
• An adaptive data-driven approach to solve real-world vehicle routing problems in logistics [0.0]
  輸送は物流費の3分の1を占める。 本研究は、ロジスティクス分野における実世界のルーティング車両問題(VRP)を解決するための適応型データ駆動型革新的なモジュラーアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-05T17:47:41Z)

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。