論文の概要: The Modular CMA-ES: A Framework for Modern Evolution Strategies

• arxiv url: http://arxiv.org/abs/2610.09699v1
• Date: Wed, 07 Oct 2026 08:57:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.815274
• Title: The Modular CMA-ES: A Framework for Modern Evolution Strategies
• Title（参考訳）: Modular CMA-ES: 現代進化戦略のためのフレームワーク
• Abstract要約: 本稿では,Modular CMA-ES(ModCMA)について述べる。 CMA-ESをサンプリング、選択、組換え、ステップサイズ適応、行列適応、再起動の交換可能なモジュールに分解することで、ModCMAは大規模な設計空間の体系的な探索を可能にする。
• 参考スコア（独自算出の注目度）: 2.1943934656193353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Since their introduction, modern evolution strategies, such as the Covariance Matrix Adaptation Evolution Strategy (CMA-ES), have become established as powerful methods for continuous black-box optimization. This success has led to a wide range of proposed modifications, each designed to improve performance or behavior in specific optimization scenarios. However, because these developments have largely been introduced and studied in isolation, their interactions remain comparatively underexplored. In this paper, we present the Modular CMA-ES (ModCMA), a configurable framework that integrates a wide range of mechanisms from modern evolution strategies within a single implementation. By decomposing CMA-ES into modules with interchangeable options for sampling, selection and recombination, step-size adaptation, matrix adaptation, and restarting, ModCMA enables systematic exploration of a large design space of modern evolution strategies and facilitates the construction, comparison, and automated configuration of new algorithm variants. We illustrate the benefits of this modular approach through two example studies. First, we compare several matrix-adaptation mechanisms in terms of their computational cost and optimization performance. Second, we use automated algorithm configuration to specialize ModCMA to individual benchmark problems and analyze the resulting configurations. Together, these examples demonstrate how the framework can be used both to study individual algorithmic design choices and to explore their combinations in a systematic and reproducible manner.
• Abstract（参考訳）: その導入以来、CMA-ES(Covariance Matrix Adaptation Evolution Strategy)のような現代の進化戦略は、継続的なブラックボックス最適化のための強力な方法として確立されてきた。 この成功により、様々な修正案が提案され、それぞれが特定の最適化シナリオのパフォーマンスや振る舞いを改善するように設計されている。 しかしながら、これらの発展は、主に独立して導入され研究されているため、それらの相互作用は比較的過小評価されている。 本稿では,Modular CMA-ES(ModCMA)について述べる。 CMA-ESをサンプリング、選択、組換え、ステップサイズ適応、行列適応、再起動のための交換可能なオプションを持つモジュールに分解することにより、ModCMAは現代の進化戦略の大規模な設計空間を体系的に探索し、新しいアルゴリズム変種の構築、比較、自動構成を容易にする。 このモジュラーアプローチの利点を2つの例から説明します。 まず,行列適応機構の計算コストと最適化性能を比較した。 第2に、自動アルゴリズム構成を用いて、個別のベンチマーク問題にModCMAを専門化し、結果の構成を分析する。 これらの例は、それぞれのアルゴリズム設計の選択を研究し、それらの組み合わせを体系的かつ再現可能な方法で探索するために、フレームワークがどのように使用できるかを示す。

関連論文リスト

• Online Automated Algorithm Design with Large Language Models [35.29021296984413]
  大規模言語モデル(LLM)は推論とコード合成を通じて自動アルゴリズム設計(AAD)を可能にする。 我々は,アルゴリズム自体を状態依存型決定変数として扱う新しい最適化パラダイムである,オンラインLLMベースのAADを紹介した。 生成されたアルゴリズムの実行は検索を前進させ、その後の設計に対するフィードバックを提供する。
  論文  参考訳（メタデータ） (2026-09-21T19:15:19Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Distributed Evolution Strategies with Multi-Level Learning for Large-Scale Black-Box Optimization [13.750841199401613]
  本稿では,CMA-ES(Re limited-Memory CMA-ES)と呼ばれる,CMA-ES(Re limited-Memory CMA-ES)とCMA-ES(Restrict-Memory CMA-ES)を並列化する手法を提案する。 分散LM-CMAのためのマルチレベル学習ベースのメタフレームワークを提案する。階層的に構成された構造のため、Meta-ESは分散メタフレームワークを実装するのに適している。
  論文  参考訳（メタデータ） (2023-10-09T03:24:51Z)
• Meta-Learning with Neural Tangent Kernels [58.06951624702086]
  メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。 このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。 本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
  論文  参考訳（メタデータ） (2021-02-07T20:53:23Z)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)

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。