論文の概要: REMBGO for Evaluation-Limited Optimization: CEC2022 Benchmarking and EAF-STATCOM Generalization
- arxiv url: http://arxiv.org/abs/2610.13471v1
- Date: Fri, 09 Oct 2026 12:09:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.561359
- Title: REMBGO for Evaluation-Limited Optimization: CEC2022 Benchmarking and EAF-STATCOM Generalization
- Title（参考訳）: 評価限界最適化のためのREMBGO: CEC2022ベンチマークとEAF-STATCOMの一般化
- Abstract要約: 本稿では,EMBGOの評価に配慮した改良であるREMBGOについて述べる。
REMBGO は CEC2022 上で 1040 の関数評価の一次的, アプリケーション整合性のある予算で評価される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Metaheuristic comparisons are often reported at evaluation budgets far larger than an expensive engineering simulation can afford. This paper presents REMBGO, an evaluation-budget-aware refinement of EMBGO. Its contribution is not any single operator: it is the integration of population preservation, scale-normalized exploration and recovery mechanisms whose parent-relative benefit is concentrated under restricted function-evaluation budgets. REMBGO is evaluated on CEC2022 at a primary, application-aligned budget of 1040 function evaluations, with a surrounding budget ladder reported descriptively to characterise budget dependence rather than as a family of controlled hypotheses. A component-removal study finds no individual mechanism whose removal survives multiplicity correction, consistent with an integrated rather than a single-operator contribution. The algorithm is then applied to EAF--STATCOM controller tuning, and the resulting frozen gain vectors are transferred without retuning to twenty pre-specified unseen stochastic arc realizations ($210$ fixed-gain simulations, all feasible). The selected gain-vector main effect accounts for only $3.6$--$5.8\%$ of the crossed validation variation, against approximately $61.4\%$ for interaction plus residual, and the matched REMBGO--EMBGO paired differences are controller-dependent in sign and not statistically significant. REMBGO is therefore presented as a resource-aware refinement whose benefit must be stated together with the evaluation budget, not as a universally superior optimizer.
- Abstract（参考訳）: メタヒューリスティックな比較は、高価なエンジニアリングシミュレーションよりもはるかに大きな評価予算でしばしば報告される。
本稿では,評価予算を考慮したEMBGOの改良手法であるREMBGOについて述べる。
その貢献は単一のオペレーターではなく、人口保存、スケール正規化探索、回復メカニズムの統合であり、親相対的利益は制限された機能評価予算の下で集中している。
REMBGO は CEC2022 上で 1040 の関数評価の一次的,アプリケーション整合性のある予算で評価され, 制御された仮説のファミリーとしてではなく, 予算依存を記述的に特徴付けるような, 周囲の予算遅延が報告されている。
コンポーネント除去実験では、除去が多重度補正を継続する個々のメカニズムは見つからず、単一の演算子寄与ではなく統合された機構と一致している。
このアルゴリズムはAEF--STATCOMコントローラのチューニングに適用され、凍結したゲインベクトルは20個の未特定確率的アーク化(210ドル相当の固定ゲインシミュレーション)に再調整することなく転送される。
選択されたゲインベクターのメインエフェクトは3.6$--$5.8\%で、相互作用と残差に対して約61.4\%の差があり、一致したREMBGO-EMBGOのペアの違いは符号に依存しており、統計的に有意ではない。
したがって、REMBGOはリソースを意識した改良であり、その利点は評価予算とともに述べなければならない。
関連論文リスト
- Learned Adaptive Multiresolution Diffusion Imaging [0.0]
適応多分解能法は、必要に応じて微細な自由度を集中させることで表現コストを削減する。
本稿では,AMDI固定木プロパゲータと階層制約を保存したLearned Adaptive Multi resolution Diffusion Imaging (Learned AMDI)を紹介する。
論文 参考訳（メタデータ） (2026-10-06T07:31:14Z) - MECHVAR: Variance-Guided Mechanism Discrimination for Autonomous Machine Learning Experiment Selection [1.5449235351737436]
本研究では, 後重み付き候補機構, 実行可能プローブ, 限られた実験予算が連続実験選択問題を定義する有限自由度メカニズムの識別について検討する。
共有ガウスの予測モデルの下では、このスコアは古典的なBox-Hill の後方重み付きペアワイズ-KL基準に完全に比例するが、O(KE) ベクトル化再構成と機構対に対する透過的な加法監査を認める。
局所展開は、予測応答分離が小さい場合には、さらにスコアを期待情報ゲイン(EIG)にリンクする。
論文 参考訳（メタデータ） (2026-10-01T14:53:09Z) - Threshold-Based Selection for Continuous Optimization: A Leaf-Abscission Instantiation [1.827510863075184]
Leaf Abscission Optimization (LAO)は、ランクベースの強度、現象的季節信号、多様性変調、環境圧力、およびベース再成長カーネルを使用する。
本稿では,各既存成分が変動前に試験され,文脈圧力が強度を超える場合にのみ置換が生じて評価される評価ゲーティングアーキテクチャとして,しきい値に基づく選択を定式化する。
論文 参考訳（メタデータ） (2026-09-06T17:41:35Z) - Model Compression with Exact Budget Constraints via Riemannian Manifolds [39.54576236079211]
トータルコスト予算の下で各NグループにKオプションの1つを割り当てることは、効率的なAIにおいて繰り返し発生する問題である。
我々は、ソフトマックス緩和の下で、予算制約がロジット空間における滑らかなリーマン多様体を異常に単純な幾何学で定義することを示す新しいアプローチを示す。
これらの特性に基づいて、接射影、二分探索リトラクション、運動量輸送を標準とするリーマン制約最適化(RCO)を提案する。
論文 参考訳（メタデータ） (2026-05-01T13:30:23Z) - ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。
我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
論文 参考訳（メタデータ） (2026-02-27T05:22:01Z) - Almost Asymptotically Optimal Active Clustering Through Pairwise Observations [59.20614082241528]
そこで本研究では, ノイズと能動的に収集された応答を用いて, M$アイテムを未知数の$K$個別グループにクラスタリングするための新しい分析フレームワークを提案する。
クラスタリングの精度に対する望ましい信頼性を達成するのに必要なクエリ数の基本的下位境界を確立する。
我々は、一般化された同値比統計の計算可能な変種を開発し、その下限に対する性能ギャップを正確に推定できることを実証的に示す。
論文 参考訳（メタデータ） (2026-02-05T14:16:47Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z) - Additive Distributionally Robust Ranking and Selection [0.8283940114367679]
そこで本研究では,$k + m - 1$の事前仮説クリティカルシナリオのみをサンプリングすることを目的とした,単純な加算割当(AA)手順を提案する。
AAが一貫したものであり、驚くべきことに、最も強い意味で付加性を達成することを証明します。
結果は、DRR&Sの加法構造に対する新しい、そして反直観的な洞察を与える。
論文 参考訳（メタデータ） (2025-09-07T17:36:29Z) - Cost-aware Stopping for Bayesian Optimization [46.95172329282389]
本稿では,様々な評価コストに適応し,チューニングが不要なベイズ最適化のためのコスト対応停止則を提案する。
我々は,最先端の取得関数と組み合わせた場合,停止規則によって得られる期待累積評価コストを拘束する理論的な保証を証明した。
論文 参考訳（メタデータ） (2025-07-16T17:54:14Z) - Batch-Size Independent Regret Bounds for Combinatorial Semi-Bandits with Probabilistically Triggered Arms or Independent Arms [59.8188496313214]
半帯域 (CMAB) について検討し, 半帯域 (CMAB) におけるバッチサイズ (K$) の依存性の低減に着目した。
まず,確率的に引き起こされるアーム(CMAB-T)を用いたCMABの設定に対して,分散を考慮した信頼区間を持つBCUCB-Tアルゴリズムを提案する。
次に,独立アームを用いた非トリガ型CMABの設定に対して,TPVM条件の非トリガ型を利用したSESCBアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-08-31T13:09:39Z)
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。