論文の概要: S-CARD-CMSA: A Score-Aware Candidate Archive with Density-Filtered Reporting for Multimodal Optimization
- arxiv url: http://arxiv.org/abs/2607.13764v1
- Date: Wed, 15 Jul 2026 12:27:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.75752
- Title: S-CARD-CMSA: A Score-Aware Candidate Archive with Density-Filtered Reporting for Multimodal Optimization
- Title（参考訳）: S-CARD-CMSA:マルチモーダル最適化のための密度フィルタレポーティング付きスコアアウェア候補アーカイブ
- Abstract要約: 本稿では,スコア認識型候補型および密度フィルタ型レポートフレームワークであるemphS-CARD-CMSAを提案する。
マルチモーダル最適化のためのベンチマークニーチ方式のIEEE CEC 2026コンペティションのために開発された。
- 参考スコア（独自算出の注目度）: 0.8122270502556375
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal optimization aims to locate multiple globally optimal or near-optimal solutions in a single run. This paper presents \emph{S-CARD-CMSA}, a score-aware candidate-archive and density-filtered reporting framework built on the covariance matrix self-adaptation evolution strategy with repelling subpopulations (RS-CMSA-ESII). The method is developed for the IEEE CEC 2026 Competition on Benchmarking Niching Methods for Multimodal Optimization. Rather than modifying the core search dynamics of RS-CMSA-ESII, S-CARD-CMSA preserves its sampling, covariance adaptation, taboo-region update, restart, and termination mechanisms. Two conservative extensions are introduced. First, a passive secondary candidate archive records the restart-level best candidates without influencing the search trajectory. Second, a score-aware density-filtered reporting rule constructs the final solution set by balancing robust peak ratio and precision-driven F1-score. Development experiments show that the density-filtered rule preserves the peak coverage obtained by a medium score-aware rule while reducing redundant reports. On a broader validation subset, it maintains the same mean RPR while improving mean precision, F1-score, and the official-score-oriented average. The method does not use true global-minimum locations during optimization; such information is used only for offline development analysis and post-run scoring. The source code of S-CARD-CMSA is available at https://github.com/ChauhanDikshit.
- Abstract（参考訳）: マルチモーダル最適化は、単一の実行で複数の大域的最適または準最適解を見つけることを目的としている。
本稿では,共分散行列の自己適応進化戦略(RS-CMSA-ESII)に基づく,スコア認識型候補構造および密度フィルタリング型レポートフレームワークである \emph{S-CARD-CMSA} について述べる。
マルチモーダル最適化のためのベンチマークニーチ方式のIEEE CEC 2026コンペティションのために開発された。
RS-CMSA-ESIIのコアサーチダイナミクスを変更する代わりに、S-CARD-CMSAはサンプリング、共分散適応、タブー領域更新、再起動、終了機構を保っている。
保守的な拡張が2つ導入されている。
まず、受動的二次候補アーカイブは、検索軌跡に影響を与えることなく、再起動レベルのベスト候補を記録する。
第二に、スコア対応密度フィルタリングレポートルールは、ロバストピーク比と精度駆動F1スコアのバランスをとることで最終解を構成する。
開発実験の結果, 密度フィルタ法は, 冗長な報告を低減しつつ中点認識法により得られたピークカバレッジを保っていることがわかった。
より広範な検証サブセットでは、平均精度、F1スコア、オフィシャルスコア指向平均を改善しながら、同じ平均RPRを維持している。
この方法は、最適化時に真のグローバル最小位置を使用せず、オフライン開発分析やポストランスコアリングにのみ使用される。
S-CARD-CMSAのソースコードはhttps://github.com/ChauhanDikshit.comで公開されている。
関連論文リスト
- DE-2LS: Differential Evolution with Lightweight Late Local Search for Constrained Numerical Optimization [2.4923006485141284]
本稿ではRDExフレームワーク上に構築された差分進化の後期的,局所的探索による変種について提案する。
現在のベストソリューションを中心に、軽量な座標パターンローカルサーチがガードコンポーネントとして追加される。
その結果, DE-2LS構成は, 試験されたすべての変種の中で最高のUスコアが得られることがわかった。
論文 参考訳（メタデータ） (2026-06-26T06:45:46Z) - DE-2LS: Differential Evolution with Late-Stage local-search for Unconstrained Single-Objective Numerical Optimization [0.8122270502556375]
RDEx上に構築されたDEC-2LSは,変数境界を持つ制約なし単目的最適化のための,後期的,局所探索強化型微分進化フレームワークである。
提案手法はRDExの進化的検索エンジンを保存し、2つの保守的な改良を導入する。
実験結果から, DE-2LS は直接ヘッド・ツー・ヘッド比較において, RDEx を一貫して改善することが示された。
論文 参考訳（メタデータ） (2026-06-26T06:43:08Z) - MIRA: Mid-training Rubric Anchoring for Source-Aware Data Selection [59.34281845159177]
我々は,自作ルーブリック発見に基づくソース認識フィルタリングフレームワークであるMIRAを提案する。
21のソースと5つのソースグループを持つコード指向のミッドトレーニングでは、MIRAは9つのコードベンチマークで選択ベースラインを上回っている。
論文 参考訳（メタデータ） (2026-05-28T17:40:40Z) - F-GRPO: Factorized Group-Relative Policy Optimization for Unified Candidate Generation and Ranking [79.49893545611779]
大規模言語モデル(LLM)はサブセットを生成し、それを1つの自己回帰パス内で順序付けることができる。
この柔軟性は、新しい最適化課題をもたらす: モデルが出力空間を検索し、完全なランクリストが生成された後にのみユーティリティフィードバックを受けなければならない。
このクレジット割り当てギャップは、エンドツーエンドの最適化を不安定にし、サンプル非効率にする。
本稿では,単一自己回帰的ロールアウト内の両方を実行する統一フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-13T04:52:33Z) - Distributionally Robust Multi-Objective Optimization [47.16280600850848]
分散ロバストな多目的最適化(DRMOO)を導入する。
本稿では、内部ループを用いて2変数を推定し、$$$Pareto-stationary点に達するための合計サンプル複雑性を$mathcalO(-12)$とする2ループMGDAを提案する。
さらに効率を向上させるために、一般化された平滑な偏り推定を処理し、二重サンプリングの必要性を排除した。
論文 参考訳（メタデータ） (2026-05-07T04:24:17Z) - MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。
我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。
数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
論文 参考訳（メタデータ） (2025-09-25T14:58:29Z) - Exact Reformulation and Optimization for Direct Metric Optimization in Binary Imbalanced Classification [10.140989590842224]
本稿では,2つの重要な分類基準である精度とリコールについて,実用的な2値IC設定の下で検討する。
インジケータ関数を扱うためにスムーズな近似に依存する既存の手法とは異なり、textitweはこれらの直接計量最適化(DMO)問題に対して、初めて厳密な制約付き修正を導入する。
論文 参考訳（メタデータ） (2025-07-21T04:52:51Z) - Dynamic Context-oriented Decomposition for Task-aware Low-rank Adaptation with Less Forgetting and Faster Convergence [131.41894248194995]
タスク認識方式でアダプタを初期化する新しい手法であるコンテキスト指向分解適応(CorDA)を提案する。
本手法は,タスク認識により,知識保存モード (KPM) と命令レビューモード (IPM) の2つのオプション適応モードを実現する。
論文 参考訳（メタデータ） (2025-06-16T07:55:14Z) - Adaptive Neural Ranking Framework: Toward Maximized Business Goal for
Cascade Ranking Systems [33.46891569350896]
カスケードランキングは、オンライン広告とレコメンデーションシステムにおける大規模なトップk選択問題に広く使われている。
それまでの学習からランクへの取り組みは、モデルに完全な順序やトップクオーダを学習させることに重点を置いていた。
我々はこの手法をアダプティブ・ニューラルランキング・フレームワーク (Adaptive Neural Ranking Framework, ARF) と命名する。
論文 参考訳（メタデータ） (2023-10-16T14:43:02Z) - Divide and Contrast: Source-free Domain Adaptation via Adaptive
Contrastive Learning [122.62311703151215]
Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。
DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。
さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
論文 参考訳（メタデータ） (2022-11-12T09:21:49Z) - Stochastic Optimization of Areas Under Precision-Recall Curves with
Provable Convergence [66.83161885378192]
ROC(AUROC)と精度リコール曲線(AUPRC)の下の領域は、不均衡問題に対する分類性能を評価するための一般的な指標である。
本稿では,深層学習のためのAUPRCの最適化手法を提案する。
論文 参考訳（メタデータ） (2021-04-18T06:22:21Z)
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。