論文の概要: A Surrogate-based Approach for Fast Multi-objective Architectural Refactoring Optimization
- arxiv url: http://arxiv.org/abs/2609.07389v1
- Date: Mon, 07 Sep 2026 12:03:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 00:32:36.768208
- Title: A Surrogate-based Approach for Fast Multi-objective Architectural Refactoring Optimization
- Title（参考訳）: 高速多目的アーキテクチャリファクタリング最適化のためのサロゲートに基づくアプローチ
- Abstract要約: 我々は回帰手法に基づく代理モデルを構築し,解析ツールの出力を計算コストを大幅に削減した。
実験結果から,サロゲートモデルにより最大30%の節約が可能であることが示唆された。
全体として、サロゲートモデルは、多目的アーキテクチャ最適化をより大きな空間や複雑なアーキテクチャモデルに拡張するための有望なアプローチである。
- 参考スコア（独自算出の注目度）: 0.9430947207126281
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Software model optimization is a process that generates architecture alternatives aimed at improving quantifiable non-functional properties of software systems, such as performance and reliability. Multi-objective evolutionary algorithms are commonly used to explore the search space and help designers identify trade-offs among competing non-functional properties (e.g., through a Pareto front). However, such algorithms face efficiency challenges in complex software models and large design spaces, since evaluating the fitness (i.e., the quality) of each architecture requires analysis tools that become computationally expensive when repeatedly invoked during the search process. In this paper, we explore the construction of surrogate models based on regression techniques to approximate the outputs of these analysis tools at significantly lower computational cost, while maintaining reasonable output accuracy. Our experimental results suggest that surrogate models provide savings of up to $30\%$ in computational time and maintain the Pareto front quality provided by evolutionary algorithms. Also, we observed some differences in the architectural models produced by our approach. Overall, surrogate models constitute a promising approach for scaling multi-objective architecture optimization to larger spaces and complex architectural models.
- Abstract（参考訳）: ソフトウェアモデル最適化(Software Model Optimization)は、性能や信頼性などのソフトウェアシステムの非機能特性の定量化を目的としたアーキテクチャ代替品を生成するプロセスである。
多目的進化アルゴリズムは、探索空間を探索し、設計者が競合する非機能プロパティ(例えばパレートフロント)間のトレードオフを特定するのに役立つ。
しかし、このようなアルゴリズムは複雑なソフトウェアモデルや大規模な設計空間において効率上の課題に直面している。なぜなら、各アーキテクチャの適合性(すなわち品質)を評価するには、探索プロセス中に繰り返し呼び出されるときに計算コストがかかる分析ツールが必要であるからである。
本稿では,これらの解析ツールの出力を,適切な出力精度を維持しつつ,計算コストを著しく低く抑えるために,回帰手法に基づく代理モデルの構築について検討する。
実験結果から,サロゲートモデルでは計算時間で最大$30\%の節約が可能であり,進化的アルゴリズムによって提供されるParetoフロント品質を維持することが示唆された。
また、我々のアプローチによって生み出されたアーキテクチャモデルにもいくつかの違いが見られた。
全体として、サロゲートモデルは、多目的アーキテクチャ最適化をより大きな空間や複雑なアーキテクチャモデルに拡張するための有望なアプローチである。
関連論文リスト
- Deep Unfolding: Recent Developments, Theory, and Design Guidelines [99.63555420898554]
この記事では、最適化アルゴリズムを構造化されたトレーニング可能なMLアーキテクチャに変換するフレームワークであるDeep Unfoldingのチュートリアルスタイルの概要を提供する。
推論と学習のための最適化の基礎を概観し、深層展開のための4つの代表的な設計パラダイムを導入し、その反復的な性質から生じる特有なトレーニングスキームについて議論する。
論文 参考訳（メタデータ） (2025-12-03T13:16:35Z) - Toward using explainable data-driven surrogate models for treating performance-based seismic design as an inverse engineering problem [0.0]
本研究では, 逆工学的問題として, 性能に基づく耐震設計を扱う手法を提案する。
説明可能な機械学習モデルを実装することで、この方法論は、設計変数とパフォーマンスメトリクスを直接マッピングする。
開発された手法は、ロサンゼルスとチャールストンの鋼鉄とコンクリートモーメントフレームの2つの異なる在庫に適用される。
論文 参考訳（メタデータ） (2025-08-01T03:08:19Z) - A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。
これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。
本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
論文 参考訳（メタデータ） (2024-12-18T14:11:15Z) - Vehicle Suspension Recommendation System: Multi-Fidelity Neural Network-based Mechanism Design Optimization [4.038368925548051]
自動車のサスペンションは運転性能と乗り心地を改善するように設計されているが、環境によって異なる種類が利用できる。
従来の設計プロセスは多段階であり、設計候補の数を徐々に減らし、目標性能を満たすためにコスト分析を行う。
近年、AIモデルはFAAの計算コストの削減に利用されている。
論文 参考訳（メタデータ） (2024-10-03T23:54:03Z) - Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。
本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。
我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
論文 参考訳（メタデータ） (2024-03-26T16:33:12Z) - Efficient Inverse Design Optimization through Multi-fidelity Simulations, Machine Learning, and Search Space Reduction Strategies [0.8646443773218541]
本稿では,限られた計算量で制約されたシナリオにおける逆設計最適化プロセスの拡張を目的とした手法を提案する。
提案手法はエアフォイル逆設計とスカラーフィールド再構成の2つの異なる工学的逆設計問題について解析する。
特に、この方法は、任意の逆設計アプリケーションに適用可能であり、代表的低忠実MLモデルと高忠実度シミュレーションの相乗効果を容易にし、様々な集団ベース最適化アルゴリズムにシームレスに適用することができる。
論文 参考訳（メタデータ） (2023-12-06T18:20:46Z) - On the Role of Search Budgets in Model-Based Software Refactoring Optimization [4.065502917666599]
多目的進化アルゴリズムは、設計者が望まない非機能特性間のトレードオフを特定するのに役立つ。
本研究は,設計代替案の探索を制限するために,検索予算の実施が与える影響について検討する。
論文 参考訳（メタデータ） (2023-08-29T10:01:29Z) - Introducing Interactions in Multi-Objective Optimization of Software Architectures [3.483484684588142]
本研究では,設計者のインタラクションがソフトウェアアーキテクチャの最適化に与える影響について検討する。
関心のある領域に探索を向けることで、完全に自動化されたプロセスで探索されていないアーキテクチャを明らかにする。
論文 参考訳（メタデータ） (2023-08-29T07:49:46Z) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳（メタデータ） (2022-10-19T19:04:45Z) - 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) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-06-18T19:11:54Z)
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。