論文の概要: CVaR-RMD: CVaR Selection Pressure for Robust Metaheuristic Discovery

• arxiv url: http://arxiv.org/abs/2610.25697v1
• Date: Mon, 19 Oct 2026 02:43:02 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:41:15.146983
• Title: CVaR-RMD: CVaR Selection Pressure for Robust Metaheuristic Discovery
• Title（参考訳）: CVaR-RMD:ロバストメタヒューリスティック発見のためのCVaR選択圧力
• Abstract要約: CVaR-RMDはリスクに敏感な進化的枠組みであり、不均一な評価条件よりも条件付きリスクで候補をランク付けする。 3つの最適化領域全体で、CVaRベースの選択は上尾性能を改善し、競合平均性能を維持しながら故障率を低減する。
• 参考スコア（独自算出の注目度）: 22.617628385265714
• License:
• Abstract: Large language models have recently been used to discover heuristics through iterative program search, offering a promising approach to automated algorithm design. However, candidates selected by average performance may degrade across instance families, random seeds, and problem scales because mean-based objectives can obscure rare but severe failures. We propose CVaR-RMD, a risk-sensitive evolutionary framework that uses an LLM to mutate executable heuristic programs and ranks candidates by empirical conditional value-at-risk over heterogeneous evaluation conditions. Across three combinatorial optimization domains, CVaR-based selection improves upper-tail performance and reduces failure rates while maintaining competitive mean performance. These gains persist on larger unseen instances and independently curated within-domain benchmarks
• Abstract（参考訳）: 大規模言語モデルは、最近、反復的なプログラム探索を通じてヒューリスティックスを発見するために使われ、自動化アルゴリズム設計への有望なアプローチを提供している。 しかしながら、平均的なパフォーマンスで選択された候補は、平均的な目的が稀だが深刻な失敗を生じさせる可能性があるため、インスタンスファミリー、ランダムシード、問題スケールで分解される可能性がある。 CVaR-RMDは、LCMを用いて実行可能なヒューリスティックプログラムを変異させ、不均一な評価条件に対して経験的条件付きリスクによって候補をランク付けする、リスクに敏感な進化的フレームワークである。 3つの組合せ最適化領域全体で、CVaRベースの選択は、上尾性能を改善し、競合平均性能を維持しながら故障率を低減する。 これらのゲインは、より大きな未確認インスタンスに持続し、独立にドメイン内ベンチマークをキュレートする。

関連論文リスト

• Bayesian Optimization of CVaR with Unknown Hyperparameters [30.948636474128744]
  本稿では,未知のGPハイパーパラメータを持つCVaRベイズ最適化のための,最初のノンレグレットアルゴリズムであるHE-CV-UCBを提案する。 本研究は,CV-UCBのオラクル率を,候補集合の大きさのみに比例して累積的後悔が得られることを証明した。
  論文  参考訳（メタデータ） (2026-10-13T12:51:46Z)
• K-Sort Eval: Efficient Preference Evaluation for Visual Generation via Corrected VLM-as-a-Judge [51.93484138861584]
  視覚生成モデルの急速な開発により、よりスケーラブルで人間に合わせた評価方法の必要性が高まっている。 K-Sort Evalは,後方補正と動的マッチングを統合した信頼性と効率的なVLMに基づく評価フレームワークである。 実験の結果、K-Sort EvalはK-Sort Arenaと一致した評価結果を提供する。
  論文  参考訳（メタデータ） (2026-02-10T05:07:46Z)
• Boosting CVaR Policy Optimization with Quantile Gradients [10.868006419885601]
  政策勾配(CVaR-PG)を用いた条件付き値付きリスク(CVaR)の改善 量子最適化は、全てのサンプルデータを活用する動的プログラミングの定式化を認め、それによってサンプル効率が向上する。 リスク逆挙動が検証可能な領域における実証結果から,マルコフ政策クラス内のアルゴリズムはCVaR-PGにより大幅に改善されることが示された。
  論文  参考訳（メタデータ） (2026-01-29T18:33:46Z)
• Efficient Adaptive Rejection Sampling for Accelerating Speculative Decoding in Large Language Models [2.4065240342323384]
  本稿では, 適応型リジェクションサンプリング(EARS)について紹介する。 EARSは、ターゲットモデルの予測不確かさを1-max(P_target)として組み込むことで、受入閾値を動的に調整する。 投機的復号化の効率を大幅に向上させ、18.12%のスループット向上を実現し、GSM8Kベンチマークでは0.84%の精度低下を無視できる。
  論文  参考訳（メタデータ） (2025-12-15T11:08:56Z)
• Scalable Best-of-N Selection for Large Language Models via Self-Certainty [75.1351701045874]
  Best-of-N selectionは、Large Language Models(LLMs)の推論性能を改善するための重要なテクニックである。 本稿では, LLM出力の固有確率分布を利用して, 外部報酬モデルを必要としない応答品質を推定する, 新規で効率的な指標である自己確実性を提案する。 本研究は, LLM推論能力を向上させるための実用的で効率的な方法として, 自己確実性を確立した。
  論文  参考訳（メタデータ） (2025-02-25T19:08:07Z)
• Secure Hierarchical Federated Learning in Vehicular Networks Using Dynamic Client Selection and Anomaly Detection [10.177917426690701]
  階層的フェデレートラーニング(HFL)は、車両ネットワークにおける敵または信頼できない車両の課題に直面している。 本研究では,動的車両選択とロバストな異常検出機構を統合した新しい枠組みを提案する。 提案アルゴリズムは,強烈な攻撃条件下においても顕著なレジリエンスを示す。
  論文  参考訳（メタデータ） (2024-05-25T18:31:20Z)
• Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
  群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。 グループDROフレームワークをQ-Diversityを提案して再構築する。 インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
  論文  参考訳（メタデータ） (2023-05-20T07:02:27Z)
• Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。 本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。 政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
  論文  参考訳（メタデータ） (2021-06-03T09:50:13Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)

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。