論文の概要: Prioritizing Search Space Regions in the Low Autocorrelation Binary Sequences Problem
- arxiv url: http://arxiv.org/abs/2607.09688v1
- Date: Wed, 17 Jun 2026 09:17:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-19 21:54:20.368609
- Title: Prioritizing Search Space Regions in the Low Autocorrelation Binary Sequences Problem
- Title（参考訳）: 低自己相関二項列問題における探索空間領域の優先順位付け
- Abstract要約: 低自己相関バイナリシーケンス問題(LABS)は、通信、信号処理、衛星ナビゲーションにおける重要な応用において、難しい最適化課題である。
本稿では,トンプソンサンプリングと並列自己回避歩行を組み合わせたハイブリッド検索手法を提案する。
- 参考スコア（独自算出の注目度）: 1.5749416770494706
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Low autocorrelation binary sequences problem (LABS) is a hard combinatorial optimization challenge with important applications in communications, signal processing, and satellite navigation. This paper proposes a hybrid search framework that combines Thompson sampling with parallel self-avoiding walks to adaptively allocate computational effort across restriction classes of the LABS search space. By modeling partitions as arms in a multi-armed bandit setting, the proposed method dynamically shifts search resources toward partitions that empirically produce higher merit factors while maintaining exploration of less-sampled regions. The approach is further accelerated through GPU-parallel execution, shared posterior updates, efficient neighborhood evaluation, and a Bloom filter for cycle prevention. In addition, we use a two-stage optimization strategy that first searches constrained partitioned skew-symmetric spaces and then refines the best candidates in the unrestricted space. Experiments on long binary sequences show that the proposed method improves the previously best-known results for 35 sequence lengths in the range $450 \le L \le 527$ and for $L=573$. In particular, we report a new longest sequence with merit factor exceeding $8.0$, obtained for $L=451$. The results also show that Thompson sampling effectively prioritizes partitions with better observed performance, confirming the value of online, data-driven resource allocation in LABS optimization. Overall, the proposed framework provides a scalable and effective strategy for high-performance merit factor maximization.
- Abstract（参考訳）: 低自己相関バイナリシーケンス問題(LABS)は、通信、信号処理、衛星ナビゲーションにおける重要な応用において、難しい組合せ最適化課題である。
本稿では,並列自己回避ウォークとトンプソンサンプリングを組み合わせたハイブリッド検索フレームワークを提案する。
マルチアーム・バンディット・セッティングにおける分割をアームとしてモデル化することにより,少ないサンプル領域の探索を継続しながら,探索資源をより高メリットな要因を経験的に生み出す分割へ動的にシフトさせる手法を提案する。
このアプローチはさらに、GPU並列実行、共有後続更新、効率的な近傍評価、サイクル防止のためのブルームフィルタによって加速される。
さらに、まず制約付き分割スキュー対称空間を探索し、非制限空間の最適候補を洗練する2段階最適化戦略を用いる。
長二進数列に対する実験により,提案手法は,L=573$の450ドル,L=573$の範囲において,35の列長に対して最もよく知られた結果を改善することを示した。
特に,有効係数が8.0$を超え,L=451$が得られた。
また、トンプソンサンプリングは、LABS最適化におけるオンラインデータ駆動リソースアロケーションの価値を検証し、よりよく観察された性能でパーティションを効果的に優先順位付けすることを示した。
全体として、提案フレームワークは、高性能なメリット係数の最大化のためのスケーラブルで効果的な戦略を提供する。
関連論文リスト
- AutoQRA: Joint Optimization of Mixed-Precision Quantization and Low-rank Adapters for Efficient LLM Fine-Tuning [23.59600455731982]
混合量子化微調整プロセスにおいて,各レイヤのビット幅とLoRAランク設定を同時に最適化する共同最適化フレームワークを提案する。
実験によると、AutoQRAは、均一な4ビットメソッドに匹敵するメモリフットプリントで、完全精度の微調整に近いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-02-25T07:18:08Z) - Gap-Dependent Bounds for Nearly Minimax Optimal Reinforcement Learning with Linear Function Approximation [13.370933509246568]
ほぼ最小のアルゴリズムLSVI-UCB++に対して、最初のギャップ依存の後悔境界を提供する。
我々の分析では、以前のギャップ依存の結果と比較して、$d$と$H$の両方の依存性が改善されている。
論文 参考訳（メタデータ） (2026-02-23T19:25:46Z) - FraPPE: Fast and Efficient Preference-based Pure Exploration [17.53646399595373]
任意の選好円錐に対して既存の下界を最適に追跡する効率的なアルゴリズムを提案する。
提案したPrePExアルゴリズムであるFraPPEが最適なサンプル複雑性を実現することを証明した。
論文 参考訳（メタデータ） (2025-08-22T16:02:06Z) - Iterative Interpolation Schedules for Quantum Approximate Optimization Algorithm [1.845978975395919]
本稿では,最適パラメータスケジュールの滑らかさを関数に基づいて表現することで,反復的手法を提案する。
提案手法は,現在の手法よりも少ない最適化ステップで性能の向上を実証する。
最大のLABSの場合、1000層を超えるスケジュールでほぼ最適のメリットを達成できます。
論文 参考訳（メタデータ） (2025-04-02T12:53:21Z) - Decision Tree Induction Through LLMs via Semantically-Aware Evolution [53.0367886783772]
遺伝的プログラミング(GP)に基づく決定木誘導のための進化的最適化手法を提案する。
私たちの重要なイノベーションは、セマンティックな事前情報と、検索空間に関するドメイン固有の知識をアルゴリズムに統合することです。
これは、構造化された自然言語プロンプトを扱う新しい遺伝子操作子によって操作される。
論文 参考訳（メタデータ） (2025-03-18T12:52:03Z) - $φ$-Decoding: Adaptive Foresight Sampling for Balanced Inference-Time Exploration and Exploitation [22.607133083903125]
インタイム最適化は計算をスケールし、効果的なパフォーマンスのための意図的な推論ステップを導出する。
我々は、デコード戦略を事前サンプリングとして、シミュレーションされた将来のステップを利用して、大域的に最適なステップ推定を得る。
実験では、$phi$-Decodingはパフォーマンスと効率の両方において、強いベースラインを上回ります。
論文 参考訳（メタデータ） (2025-03-17T15:38:33Z) - Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。
赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
論文 参考訳（メタデータ） (2024-06-21T05:57:08Z) - Indexed Minimum Empirical Divergence-Based Algorithms for Linear Bandits [55.938644481736446]
Indexed Minimum Empirical Divergence (IMED)は、マルチアームバンディット問題に対する非常に効果的なアプローチである。
UCBベースのアルゴリズムとトンプソンサンプリングを実証的に上回ることが観察されている。
我々は、LinIMEDアルゴリズムのファミリーと呼ぶIMEDアルゴリズムの新しい線形バージョンを提案する。
論文 参考訳（メタデータ） (2024-05-24T04:11:58Z) - Tree ensemble kernels for Bayesian optimization with known constraints
over mixed-feature spaces [54.58348769621782]
木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。
ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。
我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
論文 参考訳（メタデータ） (2022-07-02T16:59:37Z) - LSDAT: Low-Rank and Sparse Decomposition for Decision-based Adversarial
Attack [74.5144793386864]
LSDATは、入力サンプルのスパース成分と対向サンプルのスパース成分によって形成される低次元部分空間における摂動を加工する。
LSDは画像ピクセル領域で直接動作し、スパース性などの非$ell$制約が満たされることを保証します。
論文 参考訳（メタデータ） (2021-03-19T13:10:47Z) - Exploration in two-stage recommender systems [79.50534282841618]
2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。
このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。
そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
論文 参考訳（メタデータ） (2020-09-01T16:52:51Z)
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。