研究人员开发了JEPA-PS,一种新颖的黑盒优化方法,它利用联合嵌入预测架构。该方法在随机滚动上进行预训练,并预测优化轨迹中的下一个点,而不是其奖励或梯度。在Swimmer环境中,JEPA-PS相对于经典基线表现出竞争力,并且显著优于LLM优化器,同时需要显著更低的计算成本。研究表明,JEPA-PS的潜在表示携带任务特定信息,并根据景观特征调整其内存使用。 AI
影响 这项研究可能为复杂系统带来更高效、更适应的优化算法,从而可能降低模拟和实验中的计算成本。
排序理由 该集群包含一篇详细介绍一种新黑盒优化方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- CMA-ES
- DagsHub
- Gotit.pub
- Hugging Face
- JEPA-PS
- Manan Roy Choudhury
- ScienceCast
- Swimmer
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →