論文の概要: The Art of Hierarchical Competing Patterns: Gaussian Process Optimization of Hyphenation
- arxiv url: http://arxiv.org/abs/2609.07638v1
- Date: Mon, 07 Sep 2026 15:31:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.458559
- Title: The Art of Hierarchical Competing Patterns: Gaussian Process Optimization of Hyphenation
- Title（参考訳）: 階層的競合パターンの芸術:ハイフェネーションのガウス過程最適化
- Abstract要約: ハイフェネーションパターンは、再生システム、テキストプロセッサ、およびWebレンダリングエンジンにおいて、単語分割のための広くデプロイされたソリューションである。
ブラックボックスのハイパーパラメータ最適化問題としてパタンプロファイルの選択を定式化し,ガウス過程のベイズ最適化を評価する。
探索目的は、精度指向F_1/7スコアと、正規化された三重サイズペナルティを用いた明示的な三重サイズ精度トレードオフとを組み合わせる。
GP最適化プロファイルは17データセットの16のF_1/7を改善し,全17のトリエサイズを削減する。
- 参考スコア（独自算出の注目度）: 3.3302293148249125
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyphenation patterns remain a compact and widely deployed solution for word breaking in typesetting systems, text processors, and web rendering engines, but their generation still depends on manually tuned patgen program parameter profiles. We formulate patgen profile selection as a black-box hyperparameter optimization problem and evaluate Gaussian-process Bayesian optimization for this task. The search objective combines a precision-oriented F_{1/7}-score with an explicit trie size-accuracy trade-off using a normalized trie-size penalty. We evaluate the method on 17 hyphenated word-list datasets covering 14 languages and multiple scripts. Against two strong hand-tuned profiles regenerated from the same 8/10 training split and evaluated on the same 1/10 held-out test split, the GP-optimized profiles improve F_{1/7} on 16 of 17 datasets and reduce trie size on all 17. The median optimized/baseline trie ratio is 0.407. A dataset-level sign test gives p = 1.37e-4; a separate budget-matched comparison on five representative datasets shows that systematic search is competitive and usually improves over the best hand-tuned profile under the fixed comparison objective. The results show that model-based optimization can make pattern generation more reproducible and less dependent on expert trial-and-error while keeping the accuracy-compactness trade-off explicit.
- Abstract（参考訳）: ハイフェネーションパターンは、型付けシステム、テキストプロセッサ、Webレンダリングエンジンにおいて、単語を分解するためのコンパクトで広くデプロイされたソリューションであり続けているが、その生成は手動で調整されたプログラムパラメータプロファイルに依存している。
ブラックボックスのハイパーパラメータ最適化問題としてパタンプロファイルの選択を定式化し,ガウス過程のベイズ最適化を評価する。
探索目的は、精度指向F_{1/7}スコアと、正規化された三重サイズペナルティを用いた明示的な三重サイズ精度トレードオフとを組み合わせる。
14の言語と複数のスクリプトをカバーする17のハイフン付き単語リストデータセットについて評価を行った。
同じ8/10トレーニング分割から再生され、同じ1/10ホールトアウトテスト分割で評価された2つの強い手動プロファイルに対して、GP最適化プロファイルは17データセットのうち16データセットでF_{1/7}を改善し、すべての17データセットでトリエサイズを削減した。
中央値の最適化/ベースライントリエ比は0.407である。
データセットレベルのサインテストでは、p = 1.37e-4が与えられる。5つの代表的なデータセットに対する予算マッチングの比較では、システマティック検索は競争力があり、固定された比較目的の下で最高の手書きプロファイルよりも改善される。
その結果、モデルに基づく最適化により、パターン生成はより再現性が高く、専門家による試行錯誤に依存せず、精度と精度のトレードオフを明確化できることがわかった。
関連論文リスト
- Preference Data Selection for Mitigating the Alignment Tax in Large Language Models [52.18310687523229]
BALIGNは、アライメント効率を最適化しながら破滅的な忘れを緩和するバランスのとれたデータ選択戦略である。
3つの重要なデータ中心の機能を統一された複合リスクスコアに集約することにより、BALIGNは、ハイリスクな選好サンプルを体系的にフィルタリングする。
標準的な人間の嗜好データセットの実験では、BALIGNはアライメントゲインを損なうことなく基礎的能力を強く保持している。
論文 参考訳（メタデータ） (2026-08-25T07:58:42Z) - Dataset Distillation by Influence Matching [42.09931906541133]
Inf-Matchは、収束したパラメータに影響を及ぼすコンパクトな合成集合を学習する。
標準分類ベンチマークで最高の精度を提供する。
Inf-MatchはFlickr30Kの視覚言語蒸留にスケールし、強力なプロセスマッチングベースラインを上回っている。
論文 参考訳（メタデータ） (2026-07-18T15:47:03Z) - Models Can Model, But Can't Bind: Structured Grounding in Text-to-Optimization [54.749573452394664]
定式化自体が単純である場合でも、インスタンスデータが大きくなるにつれて精度が低下する。
我々は, 数値データを構造化ファイルに外部化する単純な推論時アプローチであるBINDを用いて, モデルがプロンプトプロンプトからではなく, データをバインドする。
我々は,モデルのみをバインディングのみに微調整することで仮説を検証し,3つの構造的に異なる最適化カテゴリにおいて,エンドツーエンドのSFTおよびRLよりも優れていることを示す。
論文 参考訳（メタデータ） (2026-05-20T21:25:41Z) - Threshold-Guided Optimization for Visual Generative Models [16.556017381410943]
視覚生成モデルと人間のフィードバックを整合させるためのしきい値誘導フレームワークを提案する。
提案手法は,従来手法よりも常に好みのアライメントを改善する。
これらの結果は、我々の閾値誘導フレームワークを、ペア比較なしで視覚的生成モデルを整列する単純な代替手段として位置づけている。
論文 参考訳（メタデータ） (2026-05-06T08:59:16Z) - Decoding-Time Language Model Alignment with Multiple Objectives [116.42095026960598]
既存の手法は主に、1つの報酬関数に対してLMを最適化することに集中し、それらの適応性は様々な目的に制限される。
本稿では,予測の線形結合から次のトークンを出力する復号時間アルゴリズムである$textbfmulti-objective decoding (MOD)$を提案する。
提案手法は, 自然条件下であっても, 既存のアプローチが準最適であることを示すとともに, 提案手法の最適性を保証する。
論文 参考訳（メタデータ） (2024-06-27T02:46:30Z) - Adaptive Preference Scaling for Reinforcement Learning with Human Feedback [103.36048042664768]
人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の価値を合わせるための一般的なアプローチである。
本稿では,分散ロバスト最適化(DRO)に基づく適応的優先損失を提案する。
提案手法は多用途であり,様々な選好最適化フレームワークに容易に適用可能である。
論文 参考訳（メタデータ） (2024-06-04T20:33:22Z) - Fine-Tuning Adaptive Stochastic Optimizers: Determining the Optimal Hyperparameter $ε$ via Gradient Magnitude Histogram Analysis [0.7366405857677226]
我々は、損失の大きさの経験的確率密度関数に基づく新しい枠組みを導入し、これを「緩やかな等級ヒストグラム」と呼ぶ。
そこで本稿では, 最適安全のための精密かつ高精度な探索空間を自動推定するために, 勾配等級ヒストグラムを用いた新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-11-20T04:34:19Z) - Ranking-based Adaptive Query Generation for DETRs in Crowded Pedestrian
Detection [49.27380156754935]
DETRのクエリの数は手動で調整しなければなりませんが、そうでなければ、パフォーマンスは様々な程度に低下します。
本稿では,ランクに基づく適応クエリ生成(RAQG)を提案し,問題を緩和する。
提案手法は単純かつ効果的であり,任意のDETRにプラグインすることで,理論上クエリ適応性を実現する。
論文 参考訳（メタデータ） (2023-10-24T11:00:56Z) - Online Sensitivity Optimization in Differentially Private Learning [8.12606646175019]
クリッピング閾値を動的に最適化する新しい手法を提案する。
我々は、このしきい値を学習可能なパラメータとして扱い、しきい値とコスト関数のクリーンな関係を確立する。
提案手法は, 多様なデータセット, タスク, モデル次元, プライバシレベルにまたがる代替的かつ適応的な戦略に対して, 徹底的に評価される。
論文 参考訳（メタデータ） (2023-10-02T00:30:49Z) - Triangulation candidates for Bayesian optimization [0.3222802562733786]
ベイズ最適化 (Bayesian optimization) は、入力-出力関係を適切なフレキシブル回帰モデルで理想化する設計形式である。
本稿では,デラウネー三角測量に基づく提案手法を提案する。
論文 参考訳（メタデータ） (2021-12-14T15:13:31Z) - ADAHESSIAN: An Adaptive Second Order Optimizer for Machine Learning [91.13797346047984]
本稿では,2次最適化アルゴリズムであるADAHESSIANを紹介する。
ADAHESSIANは、他の適応最適化手法と比較して、新しい最先端の成果を大きなマージンで達成することを示す。
論文 参考訳（メタデータ） (2020-06-01T05:00:51Z)
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。