論文の概要: Refined CMA-ES for CEC 2026 Bound-Constrained Single-Objective Optimization

• arxiv url: http://arxiv.org/abs/2611.04620v1
• Date: Tue, 03 Nov 2026 10:10:21 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:56:57.429402
• Title: Refined CMA-ES for CEC 2026 Bound-Constrained Single-Objective Optimization
• Title（参考訳）: CEC 2026境界制約単一目的最適化のための改良CMA-ES
• Abstract要約: CEC 2026バウンド制約単一目的最適化コンペティションのために設計されたCMA-ESの簡易かつパラメータ調整版を提案する。 メカニズムを追加することで複雑さを増大させる典型的なアルゴリズム開発とは異なり、Refined CMA-ESは、パフォーマンスを向上しないコンポーネントを体系的に除去する。 キーパラメータ(人口規模と初期ステップサイズ)の調整は、ベースラインのCMA-ESやいくつかの最先端の競合よりも優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We present a simplified and parameter-adjusted variant of CMA-ES designed for the CEC 2026 Bound-Constrained Single-Objective Optimization competition. Unlike typical algorithmic developments that increase complexity by adding mechanisms, Refined CMA-ES systematically removes components that do not improve performance, such as the flat-land escape, while retaining standard features that provide measurable benefits. Adjusting key parameters (population size and initial step-size) yields substantial gains, outperforming the baseline CMA-ES and several state-of-the-art competitors. The paper highlights the practical relevance of individual CMA-ES components under the CEC 2026 ranking, which equally weights solution accuracy and convergence speed, demonstrating that simplification combined with improved parameter settings can lead to superior performance.
• Abstract（参考訳）: CEC 2026バウンド制約単一目的最適化コンペティションのために設計されたCMA-ESの簡易かつパラメータ調整版を提案する。 メカニズムを追加することで複雑さを増大させる典型的なアルゴリズム開発とは異なり、Refined CMA-ESは、フラットランドエスケープのようなパフォーマンスを向上しないコンポーネントを体系的に削除し、測定可能なメリットを提供する標準的なフィーチャを維持している。 キーパラメータ(人口規模と初期ステップサイズ)の調整は、ベースラインのCMA-ESやいくつかの最先端の競合よりも優れている。 本稿では、CEC 2026ランキングにおける個々のCMA-ESコンポーネントの実用的妥当性を強調し、解の精度と収束速度を等しく重み付け、パラメータ設定の改善と組み合わせた単純化により性能が向上することを示した。

関連論文リスト

• Enhancing Bayesian Optimization and Active Learning Through Kernel Diversity [13.065036862403966]
  本稿では, Ensemble Gaussian Processes (EGP) と不一致認識獲得戦略を統合した統合フレームワーク KENDO を提案する。 KENDO-BOは最先端の手法と比較して、競争力や優れた最適化性能を達成している。
  論文  参考訳（メタデータ） (2026-08-25T15:35:47Z)
• Prompt-Free and Efficient SAM2 Adaptation for Biomedical Semantic Segmentation via Dual Adapters [20.7405249370601]
  Segment Anything Model 2 (SAM2)は、自然画像上で印象的なゼロショット機能を示したが、ドメインシフトや依存関係の急激な追加によるバイオメディカルセグメンテーションの課題に直面した。 可変サイズの入力に対するマルチクラスセグメンテーションのために設計された,プロンプトフリーでパラメータ効率の良い微調整フレームワークを提案する。 本法では,バニラ2のセグメンテーション精度を19.66%向上させ,重度医療SAM適応と比較して計算コストを約87%削減した。
  論文  参考訳（メタデータ） (2026-05-07T10:24:01Z)
• RCMAES: A Robust CMA-ES Variant for CEC2026 Competition [0.012202203114453207]
  RCMAESは、CMA-ESフレームワーク内での適応的な再起動機構と、次元依存の非線形集団サイズ縮小戦略を統合する。 RCMAESは、すべてのベンチマークで、競争力と堅牢なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-04-29T19:50:56Z)
• A Longitudinal Analysis of the CEC Single-Objective Competitions (2010-2024) and Implications for Variational Quantum Optimization [14.551721187769049]
  IEEE CEC Single Objective Optimizationの結果(2010-2024)を歴史的に分析した。 ベンチマーク関数が勝利アルゴリズムをどう形成するかを解析し、2014年の高密度回転行列の導入を重要性能フィルタとして同定する。 我々は、これらの最新のベンチマークと変分量子アルゴリズムのランドスケープの構造的類似性を同定し、進化したCECソルバが量子制御に必要な特定の適応能力を持っていることを示唆した。
  論文  参考訳（メタデータ） (2026-03-25T10:04:46Z)
• High-Rank Structured Modulation for Parameter-Efficient Fine-Tuning [57.85676271833619]
  低ランク適応 (LoRA) は、全パラメータの微調整をシミュレートするために低ランク更新法を用いる。 textbfStructured textbfMOdulation textbfAdapterは、より高いランクを維持しながらトレーニング可能なパラメータを少なくする。
  論文  参考訳（メタデータ） (2026-01-12T13:06:17Z)
• NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
  本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。 提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。 実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-11T06:59:17Z)
• HAFLQ: Heterogeneous Adaptive Federated LoRA Fine-tuned LLM with Quantization [55.972018549438964]
  LLM(Federated Fine-tuning of Pre-trained Large Language Models)は、さまざまなデータセットにまたがるタスク固有の適応を可能にすると同時に、プライバシの保護を可能にする。 本研究では, HAFLQ (Heterogeneous Adaptive Federated Low-Rank Adaptation Fine-tuned LLM with Quantization) を提案する。 テキスト分類タスクの実験結果から,HAFLQはメモリ使用量を31%削減し,通信コストを49%削減し,精度を50%向上し,ベースライン法よりも高速な収束を実現している。
  論文  参考訳（メタデータ） (2024-11-10T19:59:54Z)
• c-TPE: Tree-structured Parzen Estimator with Inequality Constraints for Expensive Hyperparameter Optimization [45.67326752241075]
  本稿では,この制約に対処するための制約付きTPE (c-TPE) を提案する。 提案するエクステンションは,既存の取得関数とオリジナルのTPEの単純な組み合わせに留まらず,パフォーマンスの低下の原因となる問題に対処する修正も含んでいる。 実験では,C-TPEは,不等式制約のある81のHPOに対して,統計的に有意な既存の手法の中で,最高の平均ランク性能を示すことを示した。
  論文  参考訳（メタデータ） (2022-11-26T00:25:11Z)
• PAMS: Quantized Super-Resolution via Parameterized Max Scale [84.55675222525608]
  深部畳み込みニューラルネットワーク(DCNN)は超解像処理(SR)において優位な性能を示した 本稿では,PAMS(Parameterized Max Scale)と呼ばれる新しい量子化手法を提案する。 実験により,提案手法はEDSRやRDNなどの既存のSRモデルを適切に圧縮・高速化できることが示された。
  論文  参考訳（メタデータ） (2020-11-09T06:16:05Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)

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。