論文の概要: ZIVARI-TLBO: A Zero-Cost Inter-Group Evaluated-Elite Relay Mechanism for Teaching-Learning-Based Optimization
- arxiv url: http://arxiv.org/abs/2606.17087v1
- Date: Fri, 12 Jun 2026 17:36:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 17:15:32.043559
- Title: ZIVARI-TLBO: A Zero-Cost Inter-Group Evaluated-Elite Relay Mechanism for Teaching-Learning-Based Optimization
- Title（参考訳）: ZIVARI-TLBO: 教師学習に基づく最適化のためのゼロコスト間評価エリートリレー機構
- Authors: Pezhman Zivari,
- Abstract要約: ZIVARI-TLBOは、グループ学習型最適化(TLBO)手法である。
これは、固定されたグループ間評価エリートリレーにより、既存の人口状態コントローラを拡張する。
正確なリレーは、既に評価済みのソリューションとその保存されたフィットネスをコピーするので、追加の客観的関数呼び出しを必要としない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: ZIVARI-TLBO is a grouped Teaching-Learning-Based Optimization (TLBO) method that augments an existing population-state controller with a fixed inter-group evaluated-elite relay. At each scheduled event, every group offers its already evaluated elite to the next group in a fixed ring; the elite replaces the receiver's worst eligible learner only when its stored objective value is better. Because the exact relay copies an already evaluated solution and its stored fitness, it requires no additional objective-function calls. The frozen gts-v4-cm-fixed implementation is evaluated under equal 10,000-evaluation budgets on eight classical functions at dimensions 10, 30, 50, and 100, with 30 matched seeds, and on five constrained engineering problems. A direct ablation against the same grouped landscape-aware controller without relay records 728/11/221 wins/ties/losses and a rank-biserial effect size of 0.624 across dimensions. In an eight-method multidimensional comparison, WOA obtains the best average rank (2.914) and ZIVARI-TLBO ranks second (3.382); ZIVARI-TLBO significantly outperforms TLBO, MCTLBO, DE, PSO, and GWO, loses significantly to WOA, and is not significantly different from HHO after Holm adjustment. Feasibility-aware engineering results are mixed and sensitive to the current static-penalty formulation. The evidence supports a scoped relay contribution and budget-consistent information-sharing mechanism, but not universal state-of-the-art, global-convergence, engineering-dominance, or CEC superiority claims.
- Abstract（参考訳）: ZIVARI-TLBOは、グループ間評価エリートリレーを固定した既存の集団状態制御器を増強するグループ学習型最適化(TLBO)手法である。
各イベントにおいて、各グループは既に評価済みのエリートを固定されたリングで次のグループに提供します。
正確なリレーは、既に評価済みのソリューションとその保存されたフィットネスをコピーするので、追加の客観的関数呼び出しを必要としない。
凍結したgts-v4-cm固定実装は,10,30,50,100の8つの古典関数に対して,30個の一致した種子と5つの制約された工学的問題に対して,1万の予算で評価される。
リレー記録728/11/221の勝利/利益/損失のない同一群ランドスケープ対応コントローラに対する直接アブレーションと、寸法0.624のランクビザール効果サイズとを有する。
8次元の多次元比較において、WOAは最高平均ランク(2.914)とZIVARI-TLBOランク(3.382)を取得し、ZIVARI-TLBOはTLBO、MCTLBO、DE、PSO、GWOを大きく上回っており、ホルム調整後のHHOと大きく異なる。
実現可能性を考慮したエンジニアリング結果は、現在の静的ペナルティの定式化に混合され、敏感である。
この証拠は、包括的リレー貢献と予算一貫性のある情報共有メカニズムを支持するが、普遍的な最先端、グローバルコンバージェンス、エンジニアリング優位、CEC優越性主張は支持しない。
関連論文リスト
- Selective-Advantage Entropy-Adaptive Horizon GRPO: Asymmetric Token-Level Discounting for Efficient Reinforcement Learning of Language Models [0.0]
グループ相対政策最適化は、推論タスク上で言語モデルを整合させる効果的な強化学習アルゴリズムとして登場した。
本稿では,Adaptive-Horizon GRPOとSelective-Advantage AH-GRPOの2つの補完拡張を導入する。
解析の結果、非対称割引は正しい解の完全な勾配信号を保持し、エントロピー崩壊を防止し、トレーニングを著しく安定化させることがわかった。
論文 参考訳（メタデータ） (2026-06-03T20:57:57Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳（メタデータ） (2026-05-20T19:08:38Z) - Advantage Collapse in Group Relative Policy Optimization: Diagnosis and Mitigation [13.272542054938258]
非効率な勾配でトレーニングバッチの割合を定量化する最初の指標であるAdvantage Collapse Rate (ACR)を導入する。
次に、仮想報酬サンプルを注入するGRPOの軽量拡張であるAdaptive Virtual Sample Policy Optimization (AVSPO)を提案する。
AVSPOはGRPOに対して58～63%の利害崩壊を減少させ、すべてのモデルスケールで4～6ポイントの一貫した精度向上をもたらす。
論文 参考訳（メタデータ） (2026-05-20T12:57:37Z) - AdaPaD: Adaptive Parallel Deflation for PEFT with Self-Correcting Rank Discovery [10.176501817419371]
本稿では,AdaPaD(Adaptive Parallel Deflation)について述べる。
我々は、各成分の誤差がウォームアップ期間後に指数関数的に崩壊することを証明する。
AdaPaDは、GLUE上の適応ランクのLoRAベースラインとDeBERTaV3ベースとの整合パラメータ予算で競合する。
論文 参考訳（メタデータ） (2026-05-11T15:44:13Z) - ReCast: Recasting Learning Signals for Reinforcement Learning in Generative Recommendation [18.825912740441858]
本稿では,ReCastを提案する。
ReCastは全ゼログループに対して最小限の学習性を復元することを示す。
また、ReCastは永続的なオールゼロ/シングルヒット体制を緩和します。
論文 参考訳（メタデータ） (2026-04-24T02:44:36Z) - Train Less, Learn More: Adaptive Efficient Rollout Optimization for Group-Based Reinforcement Learning [37.10958874118462]
強化学習(RL)は、大規模言語モデル(LLM)のポストトレーニングにおいて中心的な役割を果たす。
GRPO では、各クエリは LLM に、固定されたグループサイズ$N$のロールアウトのグループを生成するように促す。
グループ内のすべてのロールアウトが同じ結果を共有するとき、すべての正しいか不正確な場合、群正規化の利点はゼロとなる。
本稿では GRPO の強化である AERO (Adaptive Efficient Rollout Optimization) を導入する。
論文 参考訳（メタデータ） (2026-02-15T23:14:05Z) - Decomposing and Composing: Towards Efficient Vision-Language Continual Learning via Rank-1 Expert Pool in a Single LoRA [50.97792275353563]
単一低ランク適応 (LoRA) モジュールを分解可能な Rank-1 エキスパートプールとして再構成する,新しいフレームワークを提案する。
本手法では,このエキスパートプールから[Guided]トークンのセマンティクスに導かれて,疎結合でタスク固有の更新を動的に作成することを学ぶ。
論文 参考訳（メタデータ） (2026-01-30T10:54:51Z) - Anchored Preference Optimization and Contrastive Revisions: Addressing Underspecification in Alignment [57.03947082589616]
大規模言語モデル(LLM)は、しばしばコントラスト的なアライメント目標と選好ペアデータセットを使用してアライメントされる。
これについて検討し、基礎となる応答が対照的な場合、嗜好データがより良い学習信号を与えることを示した。
我々は、よりコントラスト的な選好ペアを生み出すデータ生成手法である、AI Revisions (CLAIR) からのコントラスト学習を紹介する。
我々の最良のモデルは、APOで32K CLAIRの選好に基づいて訓練され、Llama-3-8B-Instructを7.65%改善し、GPT4-turboとのギャップを45%短縮しました。
論文 参考訳（メタデータ） (2024-08-12T16:24:51Z)
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。