論文の概要: Neuro-Evolved Heuristics for Variable Gapped Common Subsequence Identification

• arxiv url: http://arxiv.org/abs/2608.00888v1
• Date: Sat, 01 Aug 2026 22:36:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.981041
• Title: Neuro-Evolved Heuristics for Variable Gapped Common Subsequence Identification
• Title（参考訳）: 可変Gapped Common Subsequence Identificationのための神経進化型ヒューリスティックス
• Abstract要約: 本研究は,可変Gapped Longest Common Subsequence Problem (VGLCSP)に対処する。 VGLCSP (VGLCSP) は、古典的最長の共通部分列問題の変種である。 より効果的なデータ駆動ロバストネスを自動設計するための学習に基づくアプローチを提案する。
• 参考スコア（独自算出の注目度）: 40.920500181764986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study addresses the Variable Gapped Longest Common Subsequence Problem (VGLCSP), a variant of the classical longest common subsequence problem with additional gap constraints and applications in sequence alignment and time-series analysis. While the two-sequence version has been widely studied using dynamic programming, the generalized multi-sequence form is usually solved with beam search-based heuristics, whose hand-crafted designs often lack robustness. To overcome this limitation, we propose a learning-based approach for automatically designing more effective data-driven heuristics. The heuristics are represented by a neural network with predefined architecture, whose weights are optimized by a genetic algorithm within a neuro-evolutionary framework. The learning process alternates between weight optimization and evaluation within an iterative multi-source beam search procedure, a state-of-the-art method for the problem. Rather than constructing solutions directly, the neural network learns to guide the search process, producing a neuro-evolved heuristic. We further introduce an ensemble heuristic that combines the scores of learned and the best-performing hand-crafted heuristic. Integrated into the iterative multi-source beam search framework, the resulting hybrid approach outperforms existing methods on both synthetic benchmark instances and newly introduced real-world instances with data-driven gap constraints.
• Abstract（参考訳）: 本研究は,古典的長期共通部分列問題の変種である可変Gapped Longest Common Subsequence Problem (VGLCSP) について検討する。 2列型は動的プログラミングを用いて広く研究されているが、一般化された多列型は通常ビームサーチに基づくヒューリスティックで解決される。 この制限を克服するために、より効果的なデータ駆動ヒューリスティックを自動設計するための学習ベースのアプローチを提案する。 ヒューリスティックは事前に定義されたアーキテクチャを持つニューラルネットワークによって表現され、その重みは神経進化フレームワーク内の遺伝的アルゴリズムによって最適化される。 学習プロセスは、反復的マルチソースビーム探索手順における重み付け最適化と評価を交互に行う。 ニューラルネットワークは、ソリューションを直接構築するのではなく、探索プロセスのガイドを学び、神経進化したヒューリスティックを生成する。 さらに、学習のスコアと最も優れた手作りのヒューリスティックを組み合わせたアンサンブルヒューリスティックを導入する。 反復的マルチソースビームサーチフレームワークに統合され、結果として得られたハイブリッドアプローチは、合成ベンチマークインスタンスと、データ駆動ギャップ制約を備えた新しく導入された実世界のインスタンスの両方において、既存のメソッドよりも優れている。

関連論文リスト

• Neural Predictor-Corrector: Solving Homotopy Problems with Reinforcement Learning [38.623998031868595]
  Homotopyのパラダイムは、ロバストな最適化、グローバルな最適化、ルートフィニング、サンプリングなど、さまざまな領域にまたがっている。 我々は手作りのNPCを自動学習ポリシーで置き換えるニューラル予測器(NPC)を提案する。 NPCは、タスク間で優れた安定性を示しながら、古典的および特殊的ベースラインの効率を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-03T04:19:48Z)
• LLM-Based Instance-Driven Heuristic Bias In the Context of a Biased Random Key Genetic Algorithm [0.9214658764451348]
  本稿では,Large Language Models (LLMs) と Biased Random-Key Genetic Algorithm (BRKGA) を統合し,NP-hard Longest Run Subsequence 問題の解法を提案する。 我々のアプローチは、計算効率のよいメトリクスセットを共同設計し実装するための人間-LLM協調プロセスを導入することで、インスタンス駆動バイアスパラダイムを拡張します。 その結果, BRKGA+Llama-4-Maverickはベースラインよりも大幅に改良された。
  論文  参考訳（メタデータ） (2025-09-05T21:46:41Z)
• CALM: Co-evolution of Algorithms and Language Model for Automatic Heuristic Design [11.639825726501659]
  大規模言語モデル(LLM)は、従来のコストのごく一部で自律的にハイパフォーマンスを発見できる。 本稿では,言語指導と数値指導を組み合わせたハイブリッドフレームワークを提案する。 本手法は,様々な最適化タスクにおいて,SOTA(State-of-the-art)ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-05-18T07:48:47Z)
• A Learning Search Algorithm for the Restricted Longest Common Subsequence Problem [40.64116457007417]
  RLCS問題(Restricted Longest Common Subsequence)はバイオインフォマティクスにおいて重要な応用である。 本稿では,将来性のある地域に向けて,探索プロセスを強化するための2つの新しいアプローチを提案する。 この論文の重要な貢献は、科学的な抽象が入力文字列として機能する実世界のインスタンスの生成である。
  論文  参考訳（メタデータ） (2024-10-15T20:02:15Z)
• A Benchmark for Maximum Cut: Towards Standardization of the Evaluation of Learned Heuristics for Combinatorial Optimization [12.016449555335976]
  我々はNP-hard Maximum Cut問題に特化しているオープンソースのベンチマークスイートMaxCut-Benchを提案する。 我々は、このベンチマークを用いて、いくつかの一般的な学習ベースのアプローチの結果を体系的に相関づけたり、再現したりしようとする。 以上の結果から, 学習者の数人は, ナイーブな欲求アルゴリズムを上回り得ず, タブサーチを一貫して上回っているのはそのうちの1人だけであることが示唆された。
  論文  参考訳（メタデータ） (2024-06-14T19:44:23Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Neural Combinatorial Optimization: a New Player in the Field [69.23334811890919]
  本稿では,ニューラルネットワークに基づくアルゴリズムの古典的最適化フレームワークへの導入に関する批判的分析を行う。 性能, 転送可能性, 計算コスト, 大規模インスタンスなど, これらのアルゴリズムの基本的側面を分析するために, 総合的研究を行った。
  論文  参考訳（メタデータ） (2022-05-03T07:54:56Z)
• Redefining Neural Architecture Search of Heterogeneous Multi-Network Models by Characterizing Variation Operators and Model Components [71.03032589756434]
  複素領域における異なる変動演算子の効果について検討する。 モデルの複雑さと性能に影響を及ぼす変化演算子と、それを構成する異なる部分の質を推定する様々な指標に依存するモデルの両方を特徴付ける。
  論文  参考訳（メタデータ） (2021-06-16T17:12:26Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• AdaLead: A simple and robust adaptive greedy search algorithm for sequence design [55.41644538483948]
  我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。 AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
  論文  参考訳（メタデータ） (2020-10-05T16:40:38Z)

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。