論文の概要: Hyperparameter and Neural Architecture Search via Evolutionary Optimization for Reinforcement Learning: HPNAS-RL
- arxiv url: http://arxiv.org/abs/2610.36882v1
- Date: Tue, 27 Oct 2026 09:21:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.553322
- Title: Hyperparameter and Neural Architecture Search via Evolutionary Optimization for Reinforcement Learning: HPNAS-RL
- Title（参考訳）: 強化学習のための進化最適化によるハイパーパラメータとニューラルアーキテクチャ探索:HPNAS-RL
- Abstract要約: 本稿では,強化学習(RL)タスクに対してNASとHPOを同時に実行する二分岐進化フレームワークを提案する。
高忠実性駆動シミュレータの実験では、共同NAS-HPOフレームワークはスタンドアロンNASよりも一貫して優れていた。
- 参考スコア（独自算出の注目度）: 2.915947686247852
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this study, we propose a dual-branch evolutionary framework that simultaneously performs Neural Architecture Search (NAS) and Hyperparameter Optimization (HPO) for Reinforcement Learning (RL) in Autonomous Driving (AD) tasks. While NAS has shown strong potential in automating architecture design for Convolutional Neural Networks (CNNs), its application to RL remains limited, especially in scenarios that require joint optimization of architectural and training dynamics. Building on our prior work on Evolutionary Multi-Objective NAS (EMNAS), the proposed framework evolves discrete network architectures and continuous hyperparameters in parallel under a unified multi-objective search strategy. In this setup, NAS targets the convolutional layers of the RL policy network - responsible for visual feature extraction, while HPO focuses on optimizing critical RL hyperparameters. To accelerate convergence and improve generalization, we incorporate parallel evaluation and a teacher-student policy transfer mechanism. Experiments in a high-fidelity driving simulator show that the joint NAS-HPO framework consistently outperforms standalone NAS, yielding policies with higher rewards, fewer parameters, and improved stability. These results highlight the benefits of jointly optimizing model structure and training dynamics for scalable and effective RL agent design.
- Abstract（参考訳）: 本研究では、自律運転(AD)タスクにおいて、強化学習(RL)のためのニューラルネットワーク探索(NAS)とハイパーパラメータ最適化(HPO)を同時に行うデュアルブランチ進化フレームワークを提案する。
NASは、畳み込みニューラルネットワーク(CNN)のアーキテクチャ設計を自動化する可能性を示しているが、そのRLへの応用は、特にアーキテクチャとトレーニングのダイナミックスの共同最適化を必要とするシナリオにおいて、依然として限られている。
進化的多目的NAS(Evolutionary Multi-Objective NAS, EMNAS)に関するこれまでの研究に基づいて, このフレームワークは, 個別のネットワークアーキテクチャと連続的なハイパーパラメータを, 統一された多目的探索戦略の下で並列に進化させる。
このセットアップでは、NASは視覚的特徴抽出を担当するRLポリシーネットワークの畳み込み層をターゲットとし、HPOはクリティカルなRLハイパーパラメータの最適化に重点を置いている。
コンバージェンスを加速し、一般化を改善するため、並列評価と教師-学生政策伝達機構を取り入れた。
高忠実性駆動シミュレータの実験では、共同NAS-HPOフレームワークはスタンドアロンNASよりも一貫して優れており、より高い報酬、少ないパラメータ、安定性が向上している。
これらの結果は、スケーラブルで効率的なRLエージェント設計のためのモデル構造とトレーニングダイナミクスを協調的に最適化する利点を浮き彫りにした。
関連論文リスト
- Nemotron-Cascade: Scaling Cascaded Reinforcement Learning for General-Purpose Reasoning Models [71.9060068259379]
汎用推論モデルを構築するために,ケースド・ドメインワイド強化学習を提案する。
私たちの14Bモデルは、RLの後、LiveCodeBench v5/v6 ProでSFTの教師であるDeepSeek-R1-0528を上回り、インフォマティクスにおける2025 International Olympiad in Informatics (IOI)における銀の医療性能を上回りました。
論文 参考訳（メタデータ） (2025-12-15T18:02:35Z) - An Integrated Approach to Neural Architecture Search for Deep Q-Networks [1.516610503825416]
NAS-DQNは、学習したニューラルネットワーク検索コントローラを直接DRLトレーニングループに統合するエージェントである。
我々はNAS-DQNを3つの固定構造ベースラインに対して評価し、連続的な制御タスクに対してランダムな探索制御を行う。
以上の結果から,NAS-DQNは非無視の計算オーバーヘッドを発生させながら,優れた最終性能,サンプル効率,政策安定性を達成できることが示唆された。
論文 参考訳（メタデータ） (2025-10-22T07:17:31Z) - Robust Evolutionary Multi-Objective Network Architecture Search for Reinforcement Learning (EMNAS-RL) [43.108040967674185]
本稿では,自律運転のための大規模強化学習(AD)において,ニューラルネットワークアーキテクチャを最適化するための進化的多目的ネットワークアーキテクチャ探索(EMNAS)を初めて導入する。
EMNASは遺伝的アルゴリズムを用いてネットワーク設計を自動化し、報酬を高めるように調整し、性能を損なうことなくモデルサイズを減らす。
論文 参考訳（メタデータ） (2025-06-10T07:52:35Z) - SONATA: Self-adaptive Evolutionary Framework for Hardware-aware Neural
Architecture Search [0.7646713951724011]
HW-Aware Neural Architecture Search (HW-Aware NAS)は、NNの設計を自動化する魅力的な戦略である。
HW対応NASのための自己適応型進化アルゴリズムであるSONATAを提案する。
本手法は,NN設計パラメータの学習的重要性に導かれる適応的進化演算子を利用する。
論文 参考訳（メタデータ） (2024-02-20T18:15:11Z) - DiffusionNAG: Predictor-guided Neural Architecture Generation with Diffusion Models [56.584561770857306]
本研究では拡散モデルに基づく新しい条件付きニューラルネットワーク生成(NAG)フレームワークDiffusionNAGを提案する。
具体的には、ニューラルネットワークを有向グラフとみなし、それらを生成するためのグラフ拡散モデルを提案する。
本研究では,2つの予測型NAS(Transferable NAS)とベイズ最適化(BO)に基づくNAS(Bayesian Optimization)の2つのシナリオにおいて,DiffusionNAGの有効性を検証する。
BOベースのアルゴリズムに統合されると、DiffusionNAGは既存のBOベースのNASアプローチ、特にImageNet 1Kデータセット上の大規模なMobileNetV3検索スペースよりも優れている。
論文 参考訳（メタデータ） (2023-05-26T13:58:18Z) - Generalization Properties of NAS under Activation and Skip Connection
Search [66.8386847112332]
ニューラルネットワーク探索(NAS)の一般化特性を統一的枠組みの下で検討する。
我々は, 有限幅政権下でのニューラル・タンジェント・カーネル(NTK)の最小固有値の下(および上)境界を導出する。
トレーニングなしでもNASがトップパフォーマンスアーキテクチャを選択する方法を示す。
論文 参考訳（メタデータ） (2022-09-15T12:11:41Z) - DHA: End-to-End Joint Optimization of Data Augmentation Policy,
Hyper-parameter and Architecture [81.82173855071312]
本稿では,AutoMLコンポーネントを統合したエンドツーエンドソリューションを提案する。
Dhaは、様々なデータセット、特にセルベースの検索空間を持つImageNetの77.4%の精度で、最先端(SOTA)結果を達成する。
論文 参考訳（メタデータ） (2021-09-13T08:12:50Z) - Bag of Baselines for Multi-objective Joint Neural Architecture Search
and Hyperparameter Optimization [29.80410614305851]
ニューラルネットワークアーキテクチャ検索(NAS)とハイパーパラメータ最適化(HPO)により、ディープラーニングは非専門家にアクセスできます。
本稿では,複数の目的に対して,ニューラルネットワークとハイパーパラメータを共同で最適化する手法を提案する。
これらの方法は、マルチオブジェクトジョイントNAS + HPOの将来の研究のための単純なベースラインとして機能します。
論文 参考訳（メタデータ） (2021-05-03T17:04:56Z) - ES-ENAS: Combining Evolution Strategies with Neural Architecture Search
at No Extra Cost for Reinforcement Learning [46.4401207304477]
強化学習(RL)政策設計を目的とした単純なニューラルネットワーク探索(NAS)アルゴリズムES-ENASについて紹介する。
複数のタスクに対する90%以上のネットワーク圧縮を実現し,ストレージと計算資源に制限のある移動ロボット工学に特に関心を持つ可能性がある。
論文 参考訳（メタデータ） (2021-01-19T02:19:05Z) - Hyperparameter Optimization in Neural Networks via Structured Sparse
Recovery [54.60327265077322]
スパースリカバリ法のレンズを用いて,ニューラルネットワークの自動設計における2つの重要な問題について検討する。
本論文の前半では,HPOと構造的スパースリカバリの新たな接続を確立する。
本論文の第2部では,NASと構造的スパース回復の関連性を確立する。
論文 参考訳（メタデータ） (2020-07-07T00:57:09Z)
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。