Black-box optimization using neural networks
PulseAugur coverage of Black-box optimization using neural networks — every cluster mentioning Black-box optimization using neural networks across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的可学习性概念提升离线数据驱动优化性能
研究人员引入了一个名为“算法相关可学习性”的新概念，以解决传统离线数据驱动优化方法的局限性。与要求跨所有区域广泛学习的现有方法不同，这个新框架专注于优化器轨迹上的准确性。这一理论进展促成了“不确定性感知梯度引导轨迹学习”（UGTL）框架的开发，该框架构建和建模改进轨迹以选择多样化的候选解决方案。UGTL在五个Design-Bench任务上表现出色，优于其他25种方法。
-
新方法利用几何和CNN进行算法选择
两篇新的研究论文探讨了为连续黑盒优化任务选择最佳算法的新颖方法。其中一篇论文GeoPAS使用几何探测来创建目标景观的二维切片，对这些切片进行编码以表示问题实例，然后根据复合分数选择求解器。另一篇使用CNN的论文将探测到的景观可视化为等高线图，将这些图像输入卷积神经网络以预测求解器性能并指导选择。这两种方法都旨在显著优于依赖单一最佳求解器，在各种优化场景中展示出更高的效率和鲁棒性。
-
新框架支持对主动收集的数据进行有效统计推断
研究人员引入了一个名为ADC后推断的新框架，以解决通过主动数据收集（ADC）收集的数据在后续推断任务中重用时，统计有效性面临的挑战。该方法考虑了数据收集过程和数据依赖的目标构建引入的偏差。该框架旨在提供有效的p值和置信区间，适用于各种ADC过程，而无需对底层黑盒函数或代理模型做出严格假设。
-
新理论分析用于黑盒优化的引导扩散模型
研究人员开发了一个新的理论框架，用于分析在结构化输入的黑盒优化中使用的引导扩散模型的后悔行为。该框架避免了现有分析中常见的假设，例如最大信息增益或精确获取最大化，这些假设不适用于现代基于扩散的优化流程。新方法引入了“质量提升”的概念来解释这些模型如何实现快速收敛和加速，并提供了用于估计搜索指数和实现认证采样器的实用工具。
-
新数据集 BBO-Pile 推动黑盒优化基础模型发展
研究人员推出了 BBO-Pile，这是一个包含超过 500,000 个优化轨迹的新型开源数据集，涵盖近 3,100 个黑盒。该数据集旨在解决以往工作中依赖非公开或合成数据而阻碍可复现性和现实世界泛化能力的局限性。通过使用 BBO-Pile，已经在各种规模上训练了黑盒优化基础模型，证明了大规模预训练在模仿优化方法方面的有效性。