Fugu-MT 論文翻訳(概要): Large-scale Testing Global Optimization Methods with Black-box Adversarial Attacks

論文の概要: Large-scale Testing Global Optimization Methods with Black-box Adversarial Attacks

arxiv url: http://arxiv.org/abs/2608.13296v1
Date: Thu, 13 Aug 2026 14:26:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-14 18:29:38.557223
Title: Large-scale Testing Global Optimization Methods with Black-box Adversarial Attacks
Title（参考訳）: ブラックボックス攻撃を用いた大規模グローバル最適化手法
Abstract要約: 我々は,ブラックボックス対逆攻撃(BBAA)に関連するタスクが,多次元空間における価値あるグローバルな最適化ベンチマークとなることを論じる。本稿では,BBAA問題の解法において,いくつかの進化的アルゴリズムやメタヒューリスティックスの効率性を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Existing global optimization benchmark suites are of a moderate size and are based on a small number of analytical functions that date back even to the 1970s. This causes a risk of biasing the development of global optimization methods. We argue that the tasks related to the black-box adversarial attack (BBAA) can serve as valuable global optimization benchmark in many-dimensional space. We demonstrate the efficiency of several types of evolutionary algorithms and other metaheuristics in solving example BBAA problems. Thus, we take a step towards convergence of global optimization methods to the challenges and needs that arise in the modern machine learning field.
Abstract（参考訳）: 既存のグローバル最適化ベンチマークスイートは適度なサイズであり、1970年代までさかのぼる少数の分析関数に基づいている。これにより、グローバル最適化手法の開発に偏りが生じるリスクが生じる。我々は,ブラックボックス対逆攻撃(BBAA)に関連するタスクが,多次元空間における価値あるグローバルな最適化ベンチマークとなることを論じる。本稿では,BBAA問題の解法において,いくつかの進化的アルゴリズムやメタヒューリスティックスの効率性を示す。そこで我々は,グローバル最適化手法の現代機械学習分野における課題とニーズへの収束に向けて一歩踏み出した。

関連論文リスト

Surrogate-based Optimization via Clustering for Box-Constrained Problems [0.0]
本稿では,クラスタリングに基づく新しいサロゲートベース最適化フレームワークであるSBOCを提案する。各イテレーションでは、ドメイン全体に対して単一のサロゲートモデルを使用し、探索されていないドメインを特定するためにk平均クラスタリングを採用し、サロゲート最適化周辺のローカルリージョンを利用する。これは、ほとんどのテスト関数に対して、他のアルゴリズムよりも計算労力がかなり少ない大域的な最小値を特定した。
論文参考訳（メタデータ） (2026-01-12T11:29:53Z)
Pre-trained knowledge elevates large language models beyond traditional chemical reaction optimizers [0.0]
大規模言語モデル(LLM)における事前学習知識がこのパラダイムを根本的に変えることを実証する。 LLM-GOは、伝統的な手法が苦労するところを正確に表現している: 数学的最適化よりもドメイン理解を必要とする複雑なカテゴリー空間。
論文参考訳（メタデータ） (2025-08-27T21:09:51Z)
A Problem-Oriented Perspective and Anchor Verification for Code Optimization [43.28045750932116]
大規模言語モデル(LLM)は、様々なプログラミングタスクを解く際、顕著な能力を示している。本稿では,LLMが最小実行時間に最適化する能力について検討する。
論文参考訳（メタデータ） (2024-06-17T16:10:10Z)
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)
An Invariant Information Geometric Method for High-Dimensional Online Optimization [9.538618632613714]
本稿では,対応するフレームワークから派生した,完全な不変性指向進化戦略アルゴリズムを提案する。ベイズ最適化と進化戦略における主要なアルゴリズムに対してSynCMAをベンチマークする。あらゆるシナリオにおいて、SynCMAはサンプル効率において他のアルゴリズムよりも優れた能力を示す。
論文参考訳（メタデータ） (2024-01-03T07:06:26Z)
Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
論文参考訳（メタデータ） (2023-10-10T00:21:10Z)
Large-Batch, Iteration-Efficient Neural Bayesian Design Optimization [37.339567743948955]
本稿では,BOの限界に対処するための新しいベイズ最適化フレームワークを提案する。我々の重要な貢献は、高度にスケーラブルでサンプルベースの取得機能であり、非支配的な目的のソートを実行する。我々は,ベイズ型ニューラルネットワークサロゲートと組み合わせることで,最小限の反復数でデータ集約環境に有効であることを示す。
論文参考訳（メタデータ） (2023-06-01T19:10:57Z)
Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文参考訳（メタデータ） (2023-01-28T01:50:42Z)
An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文参考訳（メタデータ） (2022-10-27T01:58:10Z)
Fighting the curse of dimensionality: A machine learning approach to finding global optima [77.34726150561087]
本稿では,構造最適化問題におけるグローバル最適化の方法を示す。特定のコスト関数を利用することで、最適化手順が確立された場合と比較して、グローバルをベストに得るか、最悪の場合、優れた結果を得るかのどちらかを得る。
論文参考訳（メタデータ） (2021-10-28T09:50:29Z)
Batched Data-Driven Evolutionary Multi-Objective Optimization Based on Manifold Interpolation [6.560512252982714]
バッチ化されたデータ駆動型進化的多目的最適化を実現するためのフレームワークを提案する。オフザシェルフ進化的多目的最適化アルゴリズムがプラグイン方式で適用できるのは、非常に一般的である。提案するフレームワークは, より高速な収束と各種PF形状に対する強いレジリエンスを特徴とする。
論文参考訳（メタデータ） (2021-09-12T23:54:26Z)
EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文参考訳（メタデータ） (2020-07-09T10:19:22Z)
Benchmarking for Metaheuristic Black-Box Optimization: Perspectives and Open Challenges [0.0]
新たな最適化アルゴリズムの研究は、そのようなアルゴリズムが現実世界や産業に関係のある課題に対処する能力を改善するという動機に基づいていることが多い。多くのテスト問題とベンチマークスイートが開発され、アルゴリズムの比較評価に利用されている。
論文参考訳（メタデータ） (2020-07-01T15:09:40Z)

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。