論文の概要: Threshold-Based Selection for Continuous Optimization: A Leaf-Abscission Instantiation
- arxiv url: http://arxiv.org/abs/2609.10588v1
- Date: Sun, 06 Sep 2026 17:41:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.070709
- Title: Threshold-Based Selection for Continuous Optimization: A Leaf-Abscission Instantiation
- Title（参考訳）: 連続最適化のための閾値ベース選択--Leaf-Abscission Instantiation
- Abstract要約: Leaf Abscission Optimization (LAO)は、ランクベースの強度、現象的季節信号、多様性変調、環境圧力、およびベース再成長カーネルを使用する。
本稿では,各既存成分が変動前に試験され,文脈圧力が強度を超える場合にのみ置換が生じて評価される評価ゲーティングアーキテクチャとして,しきい値に基づく選択を定式化する。
- 参考スコア（独自算出の注目度）: 1.827510863075184
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper formalizes threshold-based selection as an evaluation-gating architecture in which each incumbent is tested before variation and a replacement is generated and evaluated only when contextual pressure exceeds intrinsic strength. The mechanism is instantiated as Leaf Abscission Optimization (LAO), using rank-based strength, a phenological seasonal signal, diversity modulation, environmental pressure, and a base regrowth kernel. A blocked two-to-the-fourth-power factorial analysis at dimension 10 on the CEC 2017 suite reduces the original multi-layer design to a parsimonious core: drift is harmful, while the other three auxiliary layers show no robust independent evidence of benefit. The resulting LAO-Core attains the third-best mean Friedman rank among nine optimizers at dimensions 10, 30, and 50 under the equal evaluation budget. A four-budget sweep shows budget-dependent relative performance, with adaptive differential-evolution baselines gaining relative advantage at larger budgets; the nine-cell dimension-budget analysis establishes neither an evaluation-budget-per-dimension-only law nor a statistically significant dimension-budget interaction. A paired intervention shows that diversity modulation changes late-run replacement behaviour without a detectable effect on final error at the tested budget. The evidence supports LAO as a parsimonious evaluation-gating mechanism with regime-qualified competitiveness, rather than as a generally superior optimizer.
- Abstract（参考訳）: 本稿では,各既存成分を変動前に試験し,文脈圧力が本質的な強度を超える場合に限って置換し,評価する評価ゲーティングアーキテクチャとしてしきい値に基づく選択を定式化する。
この機構はLAO(Leaf Abscission Optimization)として、ランクベースの強度、表現的季節信号、多様性変調、環境圧力、ベース再成長カーネルを用いてインスタンス化される。
CEC 2017スイートの次元10でブロックされた2～4倍の因子分析により、元々の多層設計をパシモニアコアに還元する:ドリフトは有害である。
その結果、LAO-Coreは、同等の評価予算の下で、9つのオプティマイザのうち、9つのオプティマイザのうち3番目に高いフリードマンランクを得た。
また,9セル次元・予算分析では,評価・予算単位の法則や統計的に有意な次元・予算相互作用が確立されていない。
2組の介入は、多様性の変調が、テストされた予算における最終エラーに対する検出可能な影響を伴わずに、実行後期の代替行動を変えることを示している。
このエビデンスにより、LAOは概して優れたオプティマイザとしてではなく、レシフィケーションに適した競争力を持つ同義的な評価ゲーティングメカニズムとして支持される。
関連論文リスト
- From Concentration to Differentiation and Back: Routing Effective Rank in MoE Reasoning Cohorts [61.695980784491475]
テストタイムスケーリングは、推論ロールアウトのコホートを生成するが、推論が展開するにつれて内部計算がどのように再編成されるかについて、標準的なラベルのない説明はない。
本稿では,MoEの専門家による類似性から構築したクロスロールアウトグラフのエントロピー有効次元性であるルーティング有効ランクデフを導入する。
論文 参考訳（メタデータ） (2026-09-06T05:43:22Z) - Denoised Variance-Based Pruning with Optimal Brain Bias Compensation [45.88028371034407]
VBP(Variance-Based Pruning)は、ニューロンを活性化分散に基づいて選択することで有望なパラダイムを導入した。
Denoized Variance-based Pruning with Optimal Brain Bias Compensation (DVBP + OB$2$C)を紹介する。
最先端のトレーニングフリーのパフォーマンスを実現し、50%のプルーニングで、オリジナルのTop-1の精度の90%以上を維持できる。
論文 参考訳（メタデータ） (2026-08-18T11:23:49Z) - Agentic Stage-One Stellarator Optimization: Autonomous Multi-Objective Search for Finite-Beta Equilibria [0.0]
強調ステージワン最適化の概念実証を行う。
エージェント外ループ制御は有限ベータ・多目的探索を維持でき、繰り返し最適化を改良された平衡のスケーラブルなソースに変えることができる。
論文 参考訳（メタデータ） (2026-08-02T16:08:52Z) - Ensemble Diversity Optimization for Subjective Supervision [4.032367157209129]
本稿では,アンサンブル重み,有効濃度,校正を共同で最適化する予測空間フレームワークであるEnsemble Diversity Optimization (EDO)を紹介する。
EDOはGumbel-Softmax緩和を通じてアンサンブルの構成とサイズを学習し、署名された多様性正規化器を組み込む。
論文 参考訳（メタデータ） (2026-07-09T13:53:02Z) - ANCHOR: Autoregressive Non-intrusive Chunk-Ordered Refinement for Joint Multi-Resolution Speech Quality Modeling [62.983372215479925]
ストリーミングと生成システムは、部分的なオーディオから漸進的な推定を必要とする。
多分解能オートレタスクとしてインクリメンタルアセスメントを改良したANCHORを提案する。
2秒プレフィックスの48%のPLCMOSエラー削減を含む、部分入力下でのかなりの堅牢性を示す実験。
論文 参考訳（メタデータ） (2026-06-08T22:46:30Z) - Constraint-Aware Optimization for Robust Protein Stability Prediction [0.3316543849024811]
逆フォールディング表現を用いたタンパク質言語モデルの統合によるMultimodal $G$は,Megascaleデータセット上で強力な分布精度を実現する。
既存のアプローチは、これらの制限に主に追加のアーキテクチャコンポーネントを通して対処する。
本稿では, 平衡平均二乗誤差, シームズ反対称正則化器と, 位置推定器の特徴表現における新しいOODマージン損失を組み合わせた制約対応最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-06T11:04:52Z) - Reward Hacking as Equilibrium under Finite Evaluation [4.0834639890017295]
5つの最小公理の下では、最適化されたAIエージェントは、評価システムによってカバーされない品質の次元において、体系的に過小評価される。
この結果は、修正可能なバグではなく、構造平衡として報酬ハックを確立します。
我々は、部分的な形式分析により、エージェントが評価システム内のゲームから評価システム自体を積極的に劣化させる機能しきい値の存在を予想する。
論文 参考訳（メタデータ） (2026-03-30T06:06:40Z) - $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。
本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。
V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2026-03-11T14:57:41Z) - ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。
我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
論文 参考訳（メタデータ） (2026-02-27T05:22:01Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z) - NIRVANA: Structured pruning reimagined for large language models compression [50.651730342011014]
直近のゼロショット保存精度と頑健な微調整のバランスをとるために, NIRVANAを導入した。
構造化プルーニングによって引き起こされる固有の課題にさらに対処するため、NIRVANAは層やモジュール間の適応的な空間割当機構を取り入れている。
Llama3, Qwen, T5モデルで行った実験では、NIRVANAは等価な空間制約の下で既存の構造化プルーニング法よりも優れていた。
論文 参考訳（メタデータ） (2025-09-17T17:59:00Z) - Hierarchical Budget Policy Optimization for Adaptive Reasoning [49.621779447691665]
階層的予算政策最適化(Hierarchical Budget Policy Optimization, HBPO)は、モデルが問題固有の推論深度を犠牲にすることなく学習できる強化学習フレームワークである。
HBPOは、探索空間を予算制約付き階層(512-2560トークン)に分割する。
大規模な実験により、HBPOは平均トークン使用量を最大60.6%削減し、4つの推論ベンチマークで精度を3.14%改善した。
論文 参考訳（メタデータ） (2025-07-21T17:52:34Z) - VAPO: Efficient and Reliable Reinforcement Learning for Advanced Reasoning Tasks [49.0793012627959]
本稿では,価値に基づくパラダイム内での推論モデルに適した新しいフレームワークVAPOを提案する。
VAPOは最先端のスコアが$mathbf60.4$に達する。
同じ実験条件下で直接比較すると、VAPOはDeepSeek-R1-Zero-Qwen-32BとDAPOの結果を10点以上上回っている。
論文 参考訳（メタデータ） (2025-04-07T14:21:11Z)
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。