論文の概要: CMDO: A Cognitive Memory-Driven Optimization Algorithm for Adaptive Population-Based Search

• arxiv url: http://arxiv.org/abs/2609.35657v1
• Date: Mon, 28 Sep 2026 17:21:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 19:52:03.229368
• Title: CMDO: A Cognitive Memory-Driven Optimization Algorithm for Adaptive Population-Based Search
• Title（参考訳）: CMDO:適応型人口探索のための認知記憶駆動最適化アルゴリズム
• Abstract要約: 個体群に基づく最適化手法は、よく成功した解、パラメータ適応、演算子の性能を通じて、過去の探索情報を利用する。 本稿では,経験を検索コンテキスト,探索行動,観察結果の関連性として表現する,派生性のない集団ベースの認知メモリ駆動最適化(CMDO)を紹介する。 CMDOは、作業、エピソード、統合記憶にまたがるこれらの経験を整理し、現在の検索状態と類似性に応じてそれらを検索し、後続の検索を導くために正と負のエビデンスの両方を使用する。
• 参考スコア（独自算出の注目度）: 1.3126858950459552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Population-based optimization methods often use previous search information through successful solutions, parameter adaptation, or operator performance, but they rarely retain the context in which a search behavior succeeded or failed. We introduce Cognitive Memory-Driven Optimization (CMDO), a derivative-free population-based optimizer that represents experience as the relationship between search context, search behavior, and observed outcome. CMDO organizes these experiences across working, episodic, and consolidated memory, retrieves them according to similarity with the current search state, and uses both positive and negative evidence to guide subsequent search. Retrieved experience does not replay previous candidate locations; instead, it selects search recipes that are reconstructed from the current population through exploratory, directed, and local search behaviors with adaptive search geometry. We evaluate CMDO on selected Blackbox Optimization Benchmarking test suite on COCO (BBOB/COCO) and Congress on Evolutionary Computation 2017 (CEC2017) problems against DE, CMA-ES, SHADE, GWO, HHO, and ORCA, and further study its application to seven-parameter photovoltaic model estimation using measured current--voltage data. The results show problem-dependent but competitive optimization performance, including the lowest median error among the compared methods on CEC2017 F10. More importantly, analysis of the search traces shows that context-dependent recall changes the distribution of executed search behaviors, while unsuccessful experiences remain available as negative evidence for later decisions, showing that accumulated experience directly influences subsequent search behavior. These results support the use of explicit context--behavior--outcome memory as an active mechanism for controlling population-based search.
• Abstract（参考訳）: 個体群に基づく最適化手法は、よく成功した解やパラメータ適応、演算子の性能を通じて過去の探索情報を利用するが、探索行動が成功したり失敗したりした文脈をほとんど保持しない。 本稿では, 探索状況, 探索行動, 観察結果の関連性として経験を表現した, デリバティブな集団ベースオプティマイザであるCognitive Memory-Driven Optimization (CMDO)を紹介する。 CMDOは、作業、エピソード、統合記憶にまたがるこれらの経験を整理し、現在の検索状態と類似性に応じてそれらを検索し、後続の検索を導くために正と負のエビデンスの両方を使用する。 検索された経験は、以前の候補地を再現するのではなく、適応的な探索幾何学を用いて探索的、指示的、局所的な探索行動を通じて、現在の人口から再構成された検索レシピを選択する。 我々は,CMA-ES,SHADE,GWO,HHO,ORCAに対するCOCO(BBOB/COCO)およびCEC2017(Centre on Evolutionary Computation 2017)問題に関する選択したBlackbox Optimization Benchmarking test Suite上でCMDOを評価し,その7パラメータ光電圧モデル推定への応用について検討した。 その結果、CEC2017 F10における比較手法のうち、最下位の中央値誤差を含む、問題依存的だが競合的な最適化性能が示された。 さらに、検索トレースの分析では、コンテキスト依存のリコールが実行された検索行動の分布を変化させる一方、失敗した経験は後続の判断の否定的な証拠として利用でき、蓄積した経験がその後の検索行動に直接影響を及ぼすことを示した。 これらの結果は,集団検索を制御するためのアクティブなメカニズムとして,明示的な文脈-行動-アウトカムメモリの使用を支援する。

関連論文リスト

• Agentic High-Dimensional Bayesian Optimization with Hypothesis- and Evidence-Guided Search [19.77634277171551]
  高次元ベイズ最適化は、評価予算に対して変数の数が大きい場合、サンプル効率の最適化を求める。 近年のLLM法およびエージェントBO法では,タスク知識を取り入れ,実行中の探索決定に適応する手法が提案されているが,主に低次元および中等次元の問題で評価されている。 実験の結果,これらの手法は高次元のシステムでは信頼性が保たれていないことが明らかとなった。 我々は,タスクコンテキスト,最適化フィードバック,構造診断を利用した仮説および証拠誘導研究エージェントHERAを紹介する。
  論文  参考訳（メタデータ） (2026-09-28T04:28:41Z)
• PRISM: A Predictive Protocol for Permutation Optimization via Landscape Diagnostics [0.0]
  本稿では、置換最適化のための予測プロトコルであるPRISMを紹介する。 PRISMは、検索戦略を選択する前にフィットネスランドスケープを測定する。 その結果、PRISMは普遍的に優れているものではなく、置換探索がいつ有用かを決定するためのフレームワークとして位置づけられた。
  論文  参考訳（メタデータ） (2026-08-08T21:52:04Z)
• The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows [72.9051182568928]
  推論駆動最適化のための統合フレームワークであるReASearchを提案する。 共有エージェントループとドメイン固有のツールにより、ReASearchは、プロンプト、プログラム、MLを最適化するために、まったく同じスキャフォールドをインスタンス化する。 我々は,複雑な探索行動がエージェントの推論プロセスから自然に現れることを観察する。
  論文  参考訳（メタデータ） (2026-08-07T02:15:39Z)
• Diagnosing Search Behavior and Failure Modes in Long-Horizon Search Agents [63.2133766267587]
  ディープサーチエージェントは、証拠収集のために検索クエリを反復的に発行することで、難解な情報検索質問に答える。 本研究では,長軸探索エージェントの軌跡レベル診断を用いてこれらの質問について検討する。 我々は,各探索ステップで得られた証拠を評価し,エージェントの行動の2つの段階を分離する。
  論文  参考訳（メタデータ） (2026-08-03T08:46:48Z)
• When Should LLMs Search? Counterfactual Supervision for Search Routing [0.04144015562528761]
  本研究は,非探索実行に対して,タスク成功を改善するために検索が必要であるかどうかを検討する。 タスク固有の成功に基づいてNO SEARCH,SEARCH,UNSOLVED上のオラクルを構築する。 我々は、教師付き微調整と選好最適化による検索ルーチンポリシーを訓練する。
  論文  参考訳（メタデータ） (2026-07-07T02:23:12Z)
• MemSearcher: Training LLMs to Reason, Search and Manage Memory via End-to-End Reinforcement Learning [73.27233666920618]
  本稿では,メモリを反復的に保持し,現在のターンと組み合わせたエージェントワークフローであるMemSearcherを提案する。 それぞれのターンで、MemSearcherはユーザーの質問をメモリに融合させ、推論トレースを生成し、検索アクションを実行し、メモリを更新してタスクの解決に必要な情報のみを保持する。 我々は,MemSearcher Agents の推論,検索戦略,メモリ管理を協調的に最適化する,エンドツーエンドの RL フレームワークである Multi-context GRPO を紹介する。
  論文  参考訳（メタデータ） (2025-11-04T18:27:39Z)
• RethinkMCTS: Refining Erroneous Thoughts in Monte Carlo Tree Search for Code Generation [71.88883580383039]
  コード生成の推論プロセスを探求し、洗練するフレームワークであるRethinkMCTSを提案する。 具体的には、コード生成前の思考の検索にMCTSを使用し、再考と呼ばれる改善メカニズムをMCTSに統合する。 RethinkMCTSは、従来の検索ベースおよびフィードバック強化コード生成ベースラインよりも優れていることを実証する。
  論文  参考訳（メタデータ） (2024-09-15T02:07:28Z)
• 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)
• RELS-DQN: A Robust and Efficient Local Search Framework for Combinatorial Optimization [11.269582666887324]
  本稿では,DQNフレームワークのRELS-DQNを紹介する。 1つのアプリケーションでトレーニングされたRELS-DQNモデルを使用することで、ローカル検索アルゴリズムと既存のDQNモデルの両方に等しい解値を提供することで、様々なアプリケーションに一般化することができる。
  論文  参考訳（メタデータ） (2023-04-11T18:01:49Z)
• Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
  興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。 基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。 我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
  論文  参考訳（メタデータ） (2022-09-27T17:51:31Z)
• Expected Improvement versus Predicted Value in Surrogate-Based Optimization [0.1529342790344802]
  サーロゲートに基づく最適化は、次にどの点を評価するかを決定するために、いわゆるインフィル基準に依存する。 期待されている改善の人気は、実証的に検証された性能よりも理論上の特性に大きく依存していると論じる。
  論文  参考訳（メタデータ） (2020-01-09T13:09:44Z)

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。