論文の概要: NeurGO: Learning to Generate Elite Candidates for Meta-Black-Box Expensive Optimization

• arxiv url: http://arxiv.org/abs/2607.23408v1
• Date: Sun, 26 Jul 2026 01:47:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.093697
• Title: NeurGO: Learning to Generate Elite Candidates for Meta-Black-Box Expensive Optimization
• Title（参考訳）: NeurGO: Meta-Black-Box Expensive Optimizationのための要素候補生成学習
• Abstract要約: 我々は,歴史人口からエリート候補を直接合成する生成型MetaBBOフレームワークNeurGOを提案する。 次に、探索全体を通して、ソリューションの品質と人口の多様性を維持するために、品質と多様性の損失を設計する。
• 参考スコア（独自算出の注目度）: 10.544727507118465
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Expensive black-box optimization is ubiquitous in science and engineering, where function evaluations are costly and the evaluation budget is limited. Traditional evolutionary algorithms and Meta-BlackBox Optimization (MetaBBO) approaches typically consume most evaluations on candidate selection, often wasting precious budget on inferior solutions. Although surrogate-assisted evolution and Bayesian optimization aim to reduce evaluations through surrogate models, constructing an accurate global model from limited data remains challenging, and model bias can easily trap the search in local optima. To overcome these limitations, we propose NeurGO, a generative MetaBBO framework that directly synthesizes elite candidates from historical population states. Specifically, we employ an attention-based encoder to capture the population-level search trend and condition a decoder on this representation to generate high-quality candidates, avoiding the expensive evaluation of large offspring pools. We then design a quality-diversity loss to maintain solution quality and population diversity throughout the search. Through extensive benchmarking on CEC 2008 and the COCO BBOB test suites, our method achieves better optimization performance under the same evaluation budget and exhibits faster convergence.
• Abstract（参考訳）: 膨大なブラックボックス最適化は、機能評価がコストがかかり、評価予算が制限される科学や工学においてユビキタスである。 従来の進化的アルゴリズムとメタブラックボックス最適化(MetaBBO)アプローチは、通常、候補の選択に関するほとんどの評価を消費し、しばしば劣った解に対する貴重な予算を浪費する。 シュロゲート支援進化とベイズ最適化は、シュロゲートモデルによる評価を減らすことを目的としているが、限られたデータから正確なグローバルモデルを構築することは困難であり、モデルバイアスは局所最適において容易に探索をトラップすることができる。 これらの制限を克服するために,歴史ある州からエリート候補を直接合成する生成型MetaBBOフレームワークNeurGOを提案する。 具体的には,アテンションベースのエンコーダを用いて,人口レベルの検索傾向を把握し,デコーダを指定して高品質な候補を生成する。 次に、探索全体を通して、ソリューションの品質と人口の多様性を維持するために、品質と多様性の損失を設計する。 CEC 2008 と COCO BBOB テストスイートの広範なベンチマークにより,提案手法は同じ評価予算下での最適化性能を向上し,より高速な収束性を示す。

関連論文リスト

• COBRA-Skills: Contextual Bandit-Guided Evolution for Agent Skill Optimization [55.60171725587438]
  大規模言語モデル(LLM)エージェントは、以前のタスク経験から抽出した再利用可能なスキルの恩恵を受けることができる。 既存のスキル最適化手法は、コストのかかる実行ベースの評価と実質的なタスクデータに依存していることが多い。 動的に進化する候補空間上での予算付き逐次最適化としてスキル最適化を定式化する効率的なフレームワークである textbfCOBRA-Skills を導入する。
  論文  参考訳（メタデータ） (2026-09-10T15:12:24Z)
• K-Sort Eval: Efficient Preference Evaluation for Visual Generation via Corrected VLM-as-a-Judge [51.93484138861584]
  視覚生成モデルの急速な開発により、よりスケーラブルで人間に合わせた評価方法の必要性が高まっている。 K-Sort Evalは,後方補正と動的マッチングを統合した信頼性と効率的なVLMに基づく評価フレームワークである。 実験の結果、K-Sort EvalはK-Sort Arenaと一致した評価結果を提供する。
  論文  参考訳（メタデータ） (2026-02-10T05:07:46Z)
• Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
  LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。 LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。 私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
  論文  参考訳（メタデータ） (2026-01-10T09:49:45Z)
• Topic Modelling Black Box Optimization [0.0]
  LDA(Latent Dirichlet Allocation)におけるトピック数の選択は、トピックモデルの統計的適合性と解釈可能性の両方に強く影響を与える重要な設計決定である。 個別のブラックボックス最適化問題として$T$を選択し、各関数評価はLDAモデルのトレーニングに対応し、その妥当性を測る。
  論文  参考訳（メタデータ） (2025-12-18T12:00:24Z)
• Optimizers Qualitatively Alter Solutions And We Should Leverage This [62.662640460717476]
  ディープニューラルネットワーク(DNN)は、SGDのようなローカル情報のみを使用する場合、損失のグローバルな最小限に収束することを保証できない。 コミュニティは、既存のメソッドのバイアスを理解すること、また、ソリューションの特定の特性を誘発する明示的な意図で、新しいDNNを構築することを目的としている。
  論文  参考訳（メタデータ） (2025-07-16T13:33:31Z)
• Feasibility-Driven Trust Region Bayesian Optimization [0.048748194765816946]
  FuRBOは、次の候補解が選択される信頼領域を反復的に定義する。 我々は,フルBBOB制約ベンチマークスイートの広範なテストを通じて,FuRBOの有効性を実証的に実証した。
  論文  参考訳（メタデータ） (2025-06-17T15:16:22Z)
• Self-Steering Optimization: Autonomous Preference Optimization for Large Language Models [79.84205827056907]
  本稿では,高品質な嗜好データを自律的に生成するアルゴリズムであるセルフステアリング最適化(SSO$)を提案する。 $SSO$は、ポリシーモデル自体からデータジェネレータを構築するために、特別な最適化目標を採用しています。 評価の結果,$SSO$は人選好アライメントと報酬最適化のベースラインを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-10-22T16:04:03Z)
• Correcting the Mythos of KL-Regularization: Direct Alignment without Overoptimization via Chi-Squared Preference Optimization [78.82586283794886]
  $chi2$-Preference Optimization(chi$PO)は、オーバー最適化に対して確実に堅牢なオフラインアライメントアルゴリズムである。 $chi$POは、正規化による不確実性に直面して悲観主義の原理を実装している。 $chi$POの単純さと強力な保証により、オーバー最適化に対して確実に堅牢な、実用的で汎用的なオフラインアライメントアルゴリズムとなった。
  論文  参考訳（メタデータ） (2024-07-18T11:08:40Z)
• Localized Zeroth-Order Prompt Optimization [54.964765668688806]
  そこで我々は,ZOPO(Localized zeroth-order prompt optimization)という新しいアルゴリズムを提案する。 ZOPOはニューラル・タンジェント・カーネルをベースとしたガウス法を標準ゼロ階次最適化に取り入れ、高速な局所最適探索を高速化する。 注目すべきは、ZOPOは最適化性能とクエリ効率の両方の観点から、既存のベースラインを上回っていることだ。
  論文  参考訳（メタデータ） (2024-03-05T14:18:15Z)
• LABCAT: Locally adaptive Bayesian optimization using principal-component-aligned trust regions [0.0]
  信頼領域に基づくBOを拡張した LABCAT アルゴリズムを提案する。 このアルゴリズムは、最先端のBOや他のブラックボックス最適化アルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-19T13:56:24Z)
• Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
  予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。 我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。 本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
  論文  参考訳（メタデータ） (2023-11-13T13:19:34Z)
• Speeding-up Evolutionary Algorithms to solve Black-Box Optimization Problems [0.0]
  集団ベースの進化的アルゴリズムは計算コストの高いブラックボックス最適化問題にアプローチする際によく考慮される。 最適化アルゴリズムの実行時に適切な近似関数コストを選択する技術を提案する。 提案手法は, 解が適切にランク付けされている場合の最小評価コストを推定し, 精度の低下を最小限に抑えながら, 同一時間でより多くの評価を計算できることを示した。
  論文  参考訳（メタデータ） (2023-09-23T11:54:46Z)
• Uncertainty-Aware Search Framework for Multi-Objective Bayesian Optimization [40.40632890861706]
  高価な関数評価を用いたマルチオブジェクト(MO)ブラックボックス最適化の問題点を考察する。 UeMOと呼ばれる新しい不確実性対応検索フレームワークを提案し、評価のための入力シーケンスを効率的に選択する。
  論文  参考訳（メタデータ） (2022-04-12T16:50:48Z)

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。