論文の概要: Online Autotuning of Algebraic Multigrid via Contextual Bandits and Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2611.01193v1
• Date: Sat, 31 Oct 2026 18:45:29 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:33:12.759774
• Title: Online Autotuning of Algebraic Multigrid via Contextual Bandits and Reinforcement Learning
• Title（参考訳）: 文脈帯域と強化学習による代数的マルチグリッドのオンライン自動チューニング
• Abstract要約: 本研究では, ハイフレのBoomerAMGのオンラインオンライン自動チューニング手法を開発し, 関連する線形系の系列の累積時間と解法を減らした。 LinUCBベースのコンテキスト帯域幅は、共有コストモデルを用いて、AMG階層構築のための混合型パラメータを選択する。 403ドルのグリッド、603ドルのグリッド、そして803ドルのグリッドで、共同オートチューニング方式は、繰り返し計算を含む全体の実行時間を36.1-43.3%削減する。
• 参考スコア（独自算出の注目度）: 4.959211170637948
• License:
• Abstract: Algebraic multigrid (AMG) methods are widely used for solving large sparse linear systems, but their efficiency depends strongly on interacting setup and solve parameters. Effective parameter choices typically depend on the problem. We develop a phase-aware online autotuning method for hypre's BoomerAMG to reduce cumulative time-to-solution over sequences of related linear systems. A LinUCB-based contextual bandit selects mixed-type parameters for AMG hierarchy construction using a shared cost model over PDE descriptors and configuration encodings. A recursive LSTDQ controller uses residual and timing observations to estimate the AMG solve time within each attempt and adapt relaxation weights between multigrid cycles. Both learners update from ongoing solves without offline pretraining. Across grids of sizes $40^3$, $60^3$, and $80^3$, the joint autotuning method reduces total runtime, including recurring learner computation, by 36.1-43.3% for diffusion problems and 19.8-31.0% for diffusion-advection problems over sequences of 5000 linear systems, relative to the reference BoomerAMG default configuration. On a variable-flow diffusion-advection benchmark comprising 30,000 systems on a $60^3$ grid, 2 systems fail to converge with joint autotuning, compared with 1677 for the reference configuration, under their respective attempt budgets.
• Abstract（参考訳）: Algebraic multigrid (AMG) 法は大規模な疎線形系を解くために広く用いられているが、その効率は相互作用するセットアップとパラメータに強く依存する。 効果的なパラメータの選択は一般に問題に依存する。 本研究では, ハイフレのBoomerAMGのオンラインオンライン自動チューニング手法を開発し, 関連する線形系の系列の累積時間と解法を減らした。 LinUCBベースのコンテキストバンドは、PDE記述子と構成エンコーディングの共有コストモデルを用いて、AMG階層構築のための混合型パラメータを選択する。 再帰的LSTDQコントローラは、残差およびタイミング観測を用いて、各試行中のAMG解決時間を推定し、マルチグリッドサイクル間の緩和重みを適応させる。 両方の学習者は、オフラインで事前トレーニングすることなく、進行中の問題解決から更新する。 40^3$、$60^3$、$80^3$のグリッドをまたいで、共同オートチューニング法は、繰り返し学習者計算を含む全実行時間を36.1-43.3%削減し、5000の線形系の列上の拡散対流問題に対して19.8-31.0%削減する。 60^3$グリッド上の30,000の系からなる可変流拡散対流ベンチマークでは、2つの系は、それぞれの試行予算で基準構成の1677と比較して関節オートチューニングに収束しない。

関連論文リスト

• Reinforcement Learning to Accelerate Primal-Dual Hybrid Gradient for Linear Programming [17.042522687595937]
  我々は、強化学習を用いて連続アルゴリズムパラメータを共同学習し、再起動決定を個別に行うGALLOPを紹介した。 GALLOPは、$1.9$-$5.6$の要素でカウントを減らし、MPAXよりもアルゴリズムウォールタイムで最大$16.0timesのスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-10-01T12:15:39Z)
• Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
  モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。 State-of-the-art merging method formulate merging as a layer-wise interference problem。 本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
  論文  参考訳（メタデータ） (2026-06-05T14:00:47Z)
• When Model Merging Breaks Routing: Training-Free Calibration for MoE [67.27839627141972]
  Hessian-Aware Router (HARC) は、二階曲率情報を利用してマージされたルータを認識できるトレーニングフリーのフレームワークである。 数学的推論とコード生成タスクの実験は、HARCが様々なMoEマージベースライン間のルーティングの分解を効果的に軽減していることを示している。
  論文  参考訳（メタデータ） (2026-06-02T09:33:33Z)
• Fast Linear Solvers via AI-Tuned Markov Chain Monte Carlo-based Matrix Inversion [8.596794810605124]
  与えられた線形システムに対してMCMCパラメータを推奨するAI駆動型フレームワークを提案する。 グラフニューラルサロゲートは、プリコンディショニング速度を$A$とMCMCパラメータから予測する。 従来手法では,従来手法の検索予算の50%を網羅して,事前条件の改善を実現している。
  論文  参考訳（メタデータ） (2025-09-22T22:14:13Z)
• A system identification approach to clustering vector autoregressive time series [50.66782357329375]
  基礎となる力学に基づく時系列のクラスタ化は、複雑なシステムモデリングを支援するために研究者を惹きつけている。 現在の時系列クラスタリング手法のほとんどは、スカラー時系列のみを処理し、ホワイトノイズとして扱うか、高品質な特徴構築のためにドメイン知識に依存している。 システム識別アプローチは、機能/測定構造に頼るのではなく、基礎となる自己回帰力学を明示的に考慮することで、ベクトル時系列クラスタリングを処理できる。
  論文  参考訳（メタデータ） (2025-05-20T14:31:44Z)
• A Deep Learning algorithm to accelerate Algebraic Multigrid methods in Finite Element solvers of 3D elliptic PDEs [0.0]
  本稿では,有限要素解法として用いる場合の代数的多重グリッド法の計算コストを最小化する新しいDeep Learningアルゴリズムを提案する。 本研究では,大きなスパース行列処理の計算コストを削減し,手前の回帰処理に必要な特徴を保存できることを実験的に証明する。
  論文  参考訳（メタデータ） (2023-04-21T09:18:56Z)
• Finite-time System Identification and Adaptive Control in Autoregressive Exogenous Systems [79.67879934935661]
  未知のARXシステムのシステム識別と適応制御の問題について検討する。 我々は,オープンループとクローズループの両方のデータ収集の下で,ARXシステムに対する有限時間学習保証を提供する。
  論文  参考訳（メタデータ） (2021-08-26T18:00:00Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Logarithmic Regret Bound in Partially Observable Linear Dynamical Systems [91.43582419264763]
  部分的に観測可能な線形力学系におけるシステム同定と適応制御の問題について検討する。 開ループ系と閉ループ系の両方において有限時間保証付きの最初のモデル推定法を提案する。 AdaptOnは、未知の部分観測可能な線形力学系の適応制御において、$textpolylogleft(Tright)$ regretを達成する最初のアルゴリズムであることを示す。
  論文  参考訳（メタデータ） (2020-03-25T06:00:33Z)

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。