論文の概要: Artificial Neural Networks as Surrogate Models in Black Box Optimization

• arxiv url: http://arxiv.org/abs/2609.22329v1
• Date: Wed, 16 Sep 2026 09:45:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.865525
• Title: Artificial Neural Networks as Surrogate Models in Black Box Optimization
• Title（参考訳）: ブラックボックス最適化における代理モデルとしての人工ニューラルネットワーク
• Abstract要約: ブラックボックス最適化(BBO)は、いくつかの工学分野に適用され、数値測度とシミュレーション技術の進歩を利用することができる。 サーチスペース内の入力ポイントのみを必要とするメトオドに依存し、対応する目的関数値とペアリングし、センサ、実験、シミュレーションなどの非分析手段によって得られる。 BBO法は目的関数の値にのみ依存するため、一般に多くの評価を必要とする。 本稿では,ニューラルネットワークを用いた新しいサロゲートモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Black-Box Optimization (BBO) is often applied in several engineering fields and can utilize an advancement of numerical measure- ments and simulation technologies. It deals with the optimization func- tions, where an analytical description is unavailable. It relies on meth- ods that require only an input point in the search space, paired with its corresponding objective function value, obtained through non-analytical means, e.g., sensors, experiments, or simulations. Common approaches include evolutionary optimization and other metaheuristics. Since BBO methods rely solely on objective function values, they typically require many evaluations, which becomes problematic when evaluating the ob- jective function is time-consuming or expensive. This leads to using surrogate-based optimization which evaluates selected true objective val- ues and trains a regression model to approximate the objective function across the search space. Surrogate-assisted black-box optimization is a small-data learning problem because the optimizer must approximate an expensive objective function from limited evaluations. Surrogate models act as data-efficient regressors, guiding the search toward promising or informative points under a restricted evaluation budget. In this paper, a new surrogate model using artificial neural networks, called Adaptive- Fidelity Nexus Covariance Matrix Adaptation Evolution Strategy (AFN- CMA-ES), is proposed for the selective evaluation of objective functions. The experimental results show its competitive performance compared to state-of-the-art surrogate-assisted BBO methods.
• Abstract（参考訳）: ブラックボックス最適化(BBO)は、いくつかの工学分野に適用され、数値測度とシミュレーション技術の進歩を利用することができる。 解析的な記述が利用できない最適化のfunc-tionsを扱う。 これは、探索空間の入力点のみを必要とするメトオドに依存し、対応する目的関数値と組み合わせて、非解析的な手段、例えばセンサー、実験、シミュレーションによって得られる。 一般的なアプローチとしては、進化的最適化やその他のメタヒューリスティックがある。 BBO法は目的関数の値にのみ依存するため、一般に多くの評価を必要とする。 これにより、サロゲートに基づく最適化を用いることで、選択された真の目的のval-列を評価し、回帰モデルを訓練し、探索空間全体の目的関数を近似する。 サロゲート支援ブラックボックス最適化は、限られた評価から高価な目的関数を近似しなければならないため、小さなデータ学習の問題である。 代理モデルはデータ効率の良い回帰器として機能し、制限された評価予算の下で有望または情報的ポイントへの探索を導く。 本稿では,ニューラルネットワークを用いた新しいサロゲートモデルであるAdaptive-Fidelity Nexus Covariance Matrix Adaptation Evolution Strategy (AFN-CMA-ES)を提案する。 実験結果から, 最新サロゲート支援BBO法と比較して高い性能を示した。

関連論文リスト

• Task-free Adaptive Meta Black-box Optimization [55.461814601130044]
  対象タスクからのみ最適化データを用いてオンラインパラメータ適応を行うアダプティブメタブラックボックス最適化モデル(ABOM)を提案する。 メタトレーニングと最適化フェーズを分離する従来のメタBBOフレームワークとは異なり、ABOMはクローズドループパラメータ学習機構を導入し、パラメータ化された進化演算子を継続的に自己更新する。 このパラダイムシフトはゼロショット最適化を可能にする: 合成BBOベンチマークにおけるABOMの競合性能と、手作りのトレーニングタスクを伴わない現実的な無人飛行路計画問題。
  論文  参考訳（メタデータ） (2026-01-29T09:54:10Z)
• Discovering Preference Optimization Algorithms with and for Large Language Models [50.843710797024805]
  オフライン優先最適化は、LLM(Large Language Model)出力の品質を向上・制御するための重要な手法である。 我々は、人間の介入なしに、新しい最先端の選好最適化アルゴリズムを自動で発見する客観的発見を行う。 実験は、ロジスティックと指数的損失を適応的にブレンドする新しいアルゴリズムであるDiscoPOPの最先端性能を示す。
  論文  参考訳（メタデータ） (2024-06-12T16:58:41Z)
• The limitation of neural nets for approximation and optimization [0.0]
  最適化問題における目的関数の近似と最小化のために,ニューラルネットワークを代理モデルとして用いることに関心がある。 本研究は、一般的な非線形最適化テスト問題の目的関数を近似する最適なアクティベーション関数を決定することから始まる。
  論文  参考訳（メタデータ） (2023-11-21T00:21:15Z)
• Deterministic Langevin Unconstrained Optimization with Normalizing Flows [3.988614978933934]
  我々は,Fokker-Planck方程式とLangevin方程式にインスパイアされたブラックボックス関数に対するグローバルで自由な代理最適化戦略を導入する。 本研究は,標準合成試験関数の最適目的に向けての競争力の向上を実証する。
  論文  参考訳（メタデータ） (2023-10-01T17:46:20Z)
• DynamoRep: Trajectory-Based Population Dynamics for Classification of Black-box Optimization Problems [0.755972004983746]
  簡単な統計量を用いて最適化アルゴリズムの軌道を記述する特徴抽出法を提案する。 提案するDynamoRep機能は,最適化アルゴリズムが動作している問題クラスを特定するのに十分な情報を取得する。
  論文  参考訳（メタデータ） (2023-06-08T06:57:07Z)
• RoMA: Robust Model Adaptation for Offline Model-based Optimization [115.02677045518692]
  入力出力クエリの静的データセットからブラックボックス目的関数を最大化する入力を探索する問題を考える。 この問題を解決するための一般的なアプローチは、真の客観的関数を近似するプロキシモデルを維持することである。 ここでの大きな課題は、検索中に逆最適化された入力を避ける方法である。
  論文  参考訳（メタデータ） (2021-10-27T05:37:12Z)
• Approximate Bayesian Optimisation for Neural Networks [6.921210544516486]
  モデル選択の重要性を強調するために、機械学習アルゴリズムを自動化するための一連の作業が行われた。 理想主義的な方法で解析的トラクタビリティと計算可能性を解決する必要性は、効率と適用性を確保することを可能にしている。
  論文  参考訳（メタデータ） (2021-08-27T19:03:32Z)
• Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
  計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。 本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
  論文  参考訳（メタデータ） (2021-07-14T17:55:28Z)

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。