論文の概要: JANUS: Online Jacobian-Aligned Infill for Black-Box Optimization
- arxiv url: http://arxiv.org/abs/2608.22862v1
- Date: Mon, 24 Aug 2026 06:44:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.914443
- Title: JANUS: Online Jacobian-Aligned Infill for Black-Box Optimization
- Title（参考訳）: JANUS: Black-Box最適化のためのオンラインJacobian-Aligned Infill
- Abstract要約: JANUSはNewton-Unified Search用のプラグイン・アンド・プレイ・インフィルモジュールである。
ホストを置き換えることなく局所ヤコビアンを推定する。
MetaBBOメソッドとは異なり、JANUSはオフラインのトレーニングやタスクの配布を必要としない。
- 参考スコア（独自算出の注目度）: 2.780098920628421
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Population optimizers such as CMA-ES, DE, and multi-objective evolutionary algorithms drive search mainly through selection signals that are scalar or rank based: such a signal indicates that one candidate outperforms another, but not the local direction responsible for the improvement. JANUS (\emph{Jacobian-Aligned Newton-Unified Search}) is a plug-and-play infill module that extracts this missing local geometric signal without replacing the host optimizer. It estimates a local Jacobian from the recent evaluation trace; the same Jacobian yields both a damped Gauss--Newton exploitation candidate and a trace-preserving exploration metric, reserving a fraction of the host's per-generation candidate slots for geometry-guided infill rather than spending evaluations on top of the host's budget. Unlike MetaBBO methods, JANUS needs no offline training or task distribution, estimating this geometry on the fly from the current run alone, while the host keeps full control of selection, survival, covariance adaptation, and step-size control. Under same-protocol comparisons, JANUS improves the CMA-ES host on \textbf{11--15/16} BBOB functions across $d\in\{30,100,500\}$. It also attains the best mean error on \textbf{13 of the 16} functions at $d{=}500$ in the complete NN-BBO/MetaBBO baseline comparison, with no training cost, and yields a $936\times$ geometric-mean improvement over the host on a $d{=}1000$ BBOB subset. On structured and multi-objective tasks, JANUS gives the best mean cost on 1135-dimensional UAV path planning ($-12.8\%$ vs.\ the strongest baseline), and it improves SMS-EMOA/AGE-MOEA2 hosts on 12/38 multi-objective tasks with zero significant regressions. Code is available at https://github.com/hongyuanyu/JANUS.
- Abstract（参考訳）: CMA-ES、DE、多目的進化アルゴリズムなどの人口最適化アルゴリズムは、主にスカラーまたはランクに基づく選択信号を通して探索を駆動する。
JANUS (\emph{Jacobian-Aligned Newton-Unified Search}) は、ホストオプティマイザを置き換えることなく、この欠落した局所幾何学的信号を抽出するプラグイン・アンド・プレイ・インフィルモジュールである。
地元のヤコビアンを最近の評価トレースから推定し、同じヤコビアンが減衰したガウス-ニュートン搾取候補とトレース保存探索指標の両方を出力し、ホストの予算の上の評価を使わずに、ホストの1世代当たりの候補スロットのごく一部を幾何学的に誘導された埋め立てのために保存する。
MetaBBOメソッドとは異なり、JANUSはオフラインのトレーニングやタスクの配布を必要とせず、現在の実行時のみからこのジオメトリを推定し、ホストは選択、生存、共変適応、ステップサイズ制御を完全に制御する。
同じプロトコール比較の下で、JANUSは$d\in\{30,100,500\}$をまたいだtextbf{11--15/16} BBOB関数上のCMA-ESホストを改善した。
NN-BBO/MetaBBOベースライン比較では、トレーニングコストなしで$d{=}1000$ BBOBサブセットでホストに対して$936\times$ometric-meanの改善を得られる。
構造的および多目的的なタスクにおいて、JANUSは1135次元UAVパスプランニング(12.8 %対)で最高の平均コストを与える。
SMS-EMOA/AGE-MOEA2では,12/38のマルチオブジェクトタスクに対して,大幅なレグレッションがゼロになる。
コードはhttps://github.com/hongyuanyu/JANUS.comで入手できる。
関連論文リスト
- Representation Without Reward: A JEPA Audit for LLM Fine-Tuning [1.2691047660244335]
JEPA(Joint-embedding predictive Architectures)は、モデルが観測された出力よりも遅延表現を予測できるように訓練された時に、より有用な抽象化を学ぶべきであることを提案している。
自己回帰型言語モデルの微調整には、この原理はより厳密な要件を必要とする。
我々は、Llama-3.2-1B-Instruct LoRA を用いて、自然言語からレジェックス生成におけるその要件を検証した。
論文 参考訳（メタデータ） (2026-05-14T20:27:32Z) - 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) - OASI: Objective-Aware Surrogate Initialization for Multi-Objective Bayesian Optimization in TinyML Keyword Spotting [0.0]
音声アシスタントは、キーワードスポッティング(KWS)を使用して、効率的でプライバシーに優しいアクティベーションを可能にする。
超低消費電力のTinyMLデバイス上で正確なKWSモデルを実現するには、精度とリソース制約の微妙なバランスが必要である。
本稿では,OASI(Objective-Aware Surrogate Initialization)を提案する。
論文 参考訳（メタデータ） (2025-12-17T17:32:33Z) - Evolution Strategies at the Hyperscale [57.75314521465674]
本稿では,大集団にバックプロップフリーな最適化を拡大するための進化戦略(ES)アルゴリズムEGGROLLを紹介する。
ESは、微分不可能またはノイズの多い目的を処理できる強力なブラックボックス最適化手法のセットである。
EGGROLLはランダム行列を$Ain mathbbRmtimes r, Bin mathbbRntimes r$ with $rll min(m,n)$ とすることでこれらのボトルネックを克服し、低ランク行列摂動を$A Btop$とする。
論文 参考訳（メタデータ） (2025-11-20T18:56:05Z) - Multi-Agent Stage-wise Conservative Linear Bandits [2.2557806157585834]
マルチエージェントネットワーク設定における線形帯域幅問題について検討する。
エージェントは段階的に保守的な制約を満たす必要がある。
我々は,行動選択とコンセンサス構築フェーズの交互に行うエピソードアルゴリズムMA-SCLUCBを提案する。
論文 参考訳（メタデータ） (2025-10-01T07:29:18Z) - Inference-time Alignment in Continuous Space [72.19524569646323]
推論時間アライメントのための単純で効果的なアルゴリズムであるSimple Energy Adaptation(textbfSEA$)を提案する。
SEAは、連続潜時空間における勾配に基づくサンプリングを通じて、基本ポリシーから最適なものへの元の応答を適応する。
例えば、SEAはAdvBenchで最大$textbf77.51%$、MATHで$textbf16.36%$で2番目に高いベースラインを上回っている。
論文 参考訳（メタデータ） (2025-05-26T14:58:33Z) - Near-Optimal Online Learning for Multi-Agent Submodular Coordination: Tight Approximation and Communication Efficiency [52.60557300927007]
離散部分モジュラー問題を連続的に最適化するために,$textbfMA-OSMA$アルゴリズムを提案する。
また、一様分布を混合することによりKLの発散を効果的に活用する、プロジェクションフリーな$textbfMA-OSEA$アルゴリズムも導入する。
我々のアルゴリズムは最先端OSGアルゴリズムによって提供される$(frac11+c)$-approximationを大幅に改善する。
論文 参考訳（メタデータ） (2025-02-07T15:57:56Z) - Narrowing the Gap between Adversarial and Stochastic MDPs via Policy Optimization [11.11876897168701]
対人的マルコフ決定過程における学習の問題を考える。
本稿では,APO-MVPと呼ばれるアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-08T08:06:45Z) - MGDA Converges under Generalized Smoothness, Provably [27.87166415148172]
多目的最適化(MOO)はマルチタスク学習など様々な分野で注目を集めている。
最近の研究は、理論解析を伴う効果的なアルゴリズムを提供しているが、それらは標準の$L$-smoothあるいは有界勾配仮定によって制限されている。
一般化された$ell$-smooth損失関数のより一般的で現実的なクラスについて研究し、$ell$は勾配ノルムの一般非減少関数である。
論文 参考訳（メタデータ） (2024-05-29T18:36:59Z) - JoinGym: An Efficient Query Optimization Environment for Reinforcement
Learning [58.71541261221863]
結合順序選択(JOS)は、クエリの実行コストを最小化するために結合操作を順序付けする問題である。
木質強化学習(RL)のためのクエリ最適化環境JoinGymを提案する。
JoinGymは内部で、事前計算されたデータセットから中間結果の濃度を調べることで、クエリプランのコストをシミュレートする。
論文 参考訳（メタデータ） (2023-07-21T17:00:06Z) - Communication-Efficient Adam-Type Algorithms for Distributed Data Mining [93.50424502011626]
我々はスケッチを利用した新しい分散Adam型アルゴリズムのクラス(例:SketchedAMSGrad)を提案する。
我々の新しいアルゴリズムは、反復毎に$O(frac1sqrtnT + frac1(k/d)2 T)$の高速収束率を$O(k log(d))$の通信コストで達成する。
論文 参考訳（メタデータ） (2022-10-14T01:42:05Z)
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。