論文の概要: Benchmarking Tabular Foundation Models as Surrogates in Expensive Evolutionary Optimization
- arxiv url: http://arxiv.org/abs/2609.18130v1
- Date: Wed, 16 Sep 2026 05:08:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.649681
- Title: Benchmarking Tabular Foundation Models as Surrogates in Expensive Evolutionary Optimization
- Title（参考訳）: 累積進化最適化におけるサロゲートとしてのタブラル基礎モデルのベンチマーク
- Abstract要約: サロゲート支援進化アルゴリズム(SAEA)は、高価な最適化問題の解決に有効な方法である。
Tabular Prior-data Fitted Network (TabPFN) はその強力な予測能力のため、EOPのサロゲートモデルとして採用されている。
- 参考スコア（独自算出の注目度）: 16.398705344280113
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Surrogate-assisted evolutionary algorithms (SAEAs) are effective methods for solving expensive optimization problems (EOPs), where surrogate models replace most expensive evaluations and critically influence the final optimization results. In recent years, tabular foundation models have advanced rapidly, and the Tabular Prior-data Fitted Network (TabPFN) has been adopted as a surrogate model for EOPs due to its strong predictive capability, demonstrating promising performance. Motivated by its potential as a surrogate model in SAEAs, this work conducts a comprehensive study that combines extensive experiments with in-depth theoretical analysis to investigate the effectiveness of TabPFN. Specifically, we perform experiments across both offline and online SAEA settings, covering diverse problem scenarios such as single-objective, multi-objective, constrained, combinatorial, mixed-variable, and engineering optimization problems. In addition, we further analyze the advantages and limitations of TabPFN within SAEAs and provide practical guidelines for its application in different optimization settings. Results show that the effectiveness of TabPFN is highly problem dependent, and it cannot replace conventional surrogates universally. Overall, TabPFN should be adopted selectively according to data availability, landscape complexity, search space characteristics, and its role within the algorithm. Customized model management strategies and role-specific algorithm design are necessary to fully exploit its advantages and avoid its pitfalls.
- Abstract（参考訳）: サロゲート支援進化アルゴリズム(英: Surrogate-assisted evolution algorithm、SAEA)は、コストのかかる最適化問題(EOP)を解決する効果的な方法であり、サロゲートモデルが最も高価な評価を置き換え、最終的な最適化結果に重大な影響を与える。
近年,表形式の基盤モデルが急速に進歩し,予測能力の強いEOPのサロゲートモデルとしてTabular Pre-data Fitted Network (TabPFN) が採用されている。
SAEAにおけるサロゲートモデルとしての可能性から、この研究は、広範囲な実験と深い理論分析を組み合わせることで、TabPFNの有効性を調査する包括的な研究を行っている。
具体的には、オフラインおよびオンラインのSAEA設定の両方で実験を行い、単一目的、多目的、制約付き、組合せ、混合変数、エンジニアリング最適化問題といった様々な問題シナリオをカバーしています。
さらに、SAEAにおけるTabPFNの利点と限界を解析し、異なる最適化設定で適用するための実践的ガイドラインを提供する。
その結果,TabPFNの有効性は問題に大きく依存しており,従来のサロゲートを置き換えることはできないことがわかった。
全体として、TabPFNはデータの可用性、ランドスケープの複雑さ、検索空間の特徴、アルゴリズムにおけるその役割に応じて選択的に採用されるべきである。
カスタムモデル管理戦略とロール固有のアルゴリズム設計は、その利点を完全に活用し、落とし穴を避けるために必要である。
関連論文リスト
- Meta-Black-Box Optimization with Ensemble Surrogate Modeling for Robustness-Accuracy Trade-off within SAEA [10.077883256783348]
本稿では,アダプティブ・アンサンブル・サロゲート支援進化アルゴリズムであるAdaE-SAEAを提案する。
AdaE-SAEAはSAEAをMetaBBOフレームワークの低レベルとして組み込み、インフィル基準とアンサンブルに基づくサロゲートモデリングを共同で制御する。
AdaE-SAEAは最先端のベースラインやMetaBBOベースの手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2026-05-30T19:26:32Z) - Surrogate Ensemble in Expensive Multi-Objective Optimization via Deep Q-Learning [17.84264663466905]
サロゲート支援進化アルゴリズム(SAEA)は、高価な最適化問題を解く上で有望な堅牢性を示している。
SAEAsの有効性に影響を与える重要な側面は、モデル選択の代理である。
一つの最適化プロセス内で異なる代理モデルをスケジューリングできるSEEMOOと呼ばれる強化学習支援アンサンブルフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-31T06:14:27Z) - Benchmarking Generative AI Against Bayesian Optimization for Constrained Multi-Objective Inverse Design [0.15293427903448018]
本稿では,制約付き多目的回帰タスクを解くための生成可能な言語モデル(LLM)の性能について検討する。
最高の性能のLDM(Math-7B)は1.21の世代距離(GD)を達成した。
この知見は, 樹脂, レオロジー, 化学特性の定式化設計の最適化に, 直接工業的応用が期待できる。
論文 参考訳（メタデータ） (2025-10-29T10:37:09Z) - TCPO: Thought-Centric Preference Optimization for Effective Embodied Decision-making [75.29820290660065]
本稿では,効果的な具体的意思決定のための思考中心推論最適化(TCPO)を提案する。
モデルの中間的推論プロセスの整合性を強調し、モデル劣化の問題を緩和する。
ALFWorld環境での実験では、平均成功率は26.67%であり、RL4VLMよりも6%向上している。
論文 参考訳（メタデータ） (2025-09-10T11:16:21Z) - Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。
大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。
統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
論文 参考訳（メタデータ） (2025-05-13T16:47:00Z) - Landscape Features in Single-Objective Continuous Optimization: Have We Hit a Wall in Algorithm Selection Generalization? [4.510532471907222]
本研究では,異なる問題表現に基づくASモデルの一般化可能性を評価する。
また,最近提案されたトポロジカルランドスケープ解析機能と同様に,最も広く利用されているランドスケープ解析機能についても検討している。
論文 参考訳（メタデータ） (2025-01-29T14:03:27Z) - Enhanced Bayesian Optimization via Preferential Modeling of Abstract
Properties [49.351577714596544]
本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。
優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
論文 参考訳（メタデータ） (2024-02-27T09:23:13Z) - Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。
我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。
本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
論文 参考訳（メタデータ） (2023-11-13T13:19:34Z) - 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) - 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)
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。