論文の概要: Distribution Matching Evolutionary Algorithms for Rare Event Sampling

• arxiv url: http://arxiv.org/abs/2610.03833v1
• Date: Fri, 02 Oct 2026 12:31:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:56:21.443951
• Title: Distribution Matching Evolutionary Algorithms for Rare Event Sampling
• Title（参考訳）: 希少事象サンプリングのための分布マッチング進化アルゴリズム
• Abstract要約: 重みを更新することなく,グローバルな対象分布からサンプルを抽出する検索手法のクラスを開発する。 実験では, 既存の手法よりも多くの試料を抽出して解を求める問題において, 試料効率が向上した。
• 参考スコア（独自算出の注目度）: 29.11425495066199
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A novel discovery is one which is both useful and surprising: a generative model's output is a useful discovery if it has a low probability of being generated (it's surprising) and a high reward (it's useful). Global optimization can directly increase the probability of sampling high rewards but typically requires updating model weights. Such gradient based optimization is expensive and bars using capable closed-source models. Instead, modern search methods for discovery sacrifice the global target, and use evolutionary algorithms with local reward maximizing objectives, permitting the search to focus only on high probability samples. In this paper, we interpret various evolutionary algorithms as approximate Markov Chain Monte Carlo, an optimization-free method to sample from complex distributions. This interpretation allows developing Distribution Matching Evolutionary Algorithms (DME), a class of search methods which sample from a global target distribution without updating weights. Empirically, DME has a higher sample efficiency than existing methods on problems requiring many samples to find a solution.
• Abstract（参考訳）: 生成モデルのアウトプットは、生成される確率が低い(意外なことです)ことと、高い報酬(有効です)がある場合、有用な発見です。 グローバル最適化は、高い報酬をサンプリングする確率を直接的に増加させるが、典型的にはモデルの重みを更新する必要がある。 このような勾配に基づく最適化は高価であり、有能なクローズドソースモデルを使用する。 代わりに、発見のための現代の探索手法は、グローバルターゲットを犠牲にし、局所的な報酬を最大化する進化的アルゴリズムを使用し、探索は高い確率サンプルのみに集中することができる。 本稿では,多種多様な進化的アルゴリズムを,複素分布から標本を抽出する最適化法であるマルコフ・チェイン・モンテカルロ近似として解釈する。 この解釈は、重みを更新せずにグローバルなターゲット分布からサンプリングする検索手法のクラスである分散マッチング進化アルゴリズム(DME)の開発を可能にする。 経験的に、DMEは既存の方法よりも多くのサンプルを必要とする問題に対して高いサンプリング効率を持つ。

関連論文リスト

• FUND: Density Flow for Sampling Unnormalised Distributions [5.204468049641428]
  トレーニングに真のサンプルを必要としないボルツマン分布の学習アルゴリズムを提案する。 本稿では,2次元ガウス混合法,多値分布法,高次元スカラー4$理論など,標準ベンチマークによる評価を行った。
  論文  参考訳（メタデータ） (2026-09-26T06:40:13Z)
• Diffusion Tree Sampling: Scalable inference-time alignment of diffusion models [13.312007032203857]
  事前訓練された拡散モデルを推論時に新しい目的に適応させることは、生成的モデリングにおいて未解決の問題である。 そこで本研究では,終末報酬を拡散連鎖を通じて伝播させることにより,報奨目標密度から抽出するツリーベースアプローチを提案する。 以前の世代からの情報を再利用することで、任意のアルゴリズムが追加の計算を着実により良いサンプルに変換する。
  論文  参考訳（メタデータ） (2025-06-25T17:59:10Z)
• Adaptive Sampled Softmax with Inverted Multi-Index: Methods, Theory and Applications [79.53938312089308]
  MIDX-Samplerは、逆多重インデックスアプローチに基づく新しい適応型サンプリング戦略である。 本手法は, サンプリングバイアス, 勾配バイアス, 収束速度, 一般化誤差境界などの重要な問題に対処するため, 厳密な理論的解析によって裏付けられている。
  論文  参考訳（メタデータ） (2025-01-15T04:09:21Z)
• Optimizing the Optimal Weighted Average: Efficient Distributed Sparse Classification [50.406127962933915]
  ACOWAは、小さなランタイムの増加とともに、顕著に優れた近似品質を達成するための追加の通信を可能にする。 その結果、ACOWAは経験的リスク最小化に忠実で、他の分散アルゴリズムよりもかなり高い精度で解が得られることがわかった。
  論文  参考訳（メタデータ） (2024-06-03T19:43:06Z)
• Stochastic Approximation Approaches to Group Distributionally Robust Optimization and Beyond [89.72693227960274]
  本稿では,グループ分散ロバスト最適化 (GDRO) を,$m$以上の異なる分布をうまく処理するモデルを学習する目的で検討する。 各ラウンドのサンプル数を$m$から1に抑えるため、GDROを2人でプレイするゲームとして、一方のプレイヤーが実行し、他方のプレイヤーが非公開のマルチアームバンディットのオンラインアルゴリズムを実行する。 第2のシナリオでは、最大リスクではなく、平均的最上位k$リスクを最適化し、分散の影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2023-02-18T09:24:15Z)
• Towards Automated Imbalanced Learning with Deep Hierarchical Reinforcement Learning [57.163525407022966]
  不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。 オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。 我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
  論文  参考訳（メタデータ） (2022-08-26T04:28:01Z)
• Stochastic Multiple Target Sampling Gradient Descent [25.261778039932402]
  SVGD(Stin Variational Gradient Descent)は、関心の分布を近似するために粒子の集合を反復的に更新する強力な方法である。 我々は,複数の非正規化対象分布からサンプルを抽出できるMultiple Target Gradient Descent (MT-SGD)を提案する。
  論文  参考訳（メタデータ） (2022-06-04T07:54:35Z)
• Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
  まず確率分布をモデル化し,そのモデルからサンプリングする。 これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
  論文  参考訳（メタデータ） (2021-10-20T12:25:22Z)
• Local policy search with Bayesian optimization [73.0364959221845]
  強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。 局所探索のための政策勾配は、しばしばランダムな摂動から得られる。 目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-06-22T16:07:02Z)
• Large Scale Many-Objective Optimization Driven by Distributional Adversarial Networks [1.2461503242570644]
  本稿では, RVEA フレームワークに基づく新しいアルゴリズムを提案し, 分散適応ネットワーク (DAN) を用いて新たな子孫を生成する。 大規模多目的問題(LSMOP)における9つのベンチマーク問題に対して,新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-16T04:14:15Z)

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。