PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2604.09095v4cs.LG

연속 블랙박스 최적화의 알고리즘 선택을 위한 기하학적 프로빙

Geometric Probing for Algorithm Selection in Continuous Black-Box Optimization

연속 블랙박스 최적화(continuous black-box optimization)를 위한 자동화된 알고리즘 선택은 제한된 프로빙(probing) 예산 내에서 문제로부터 어떤 정보를 획득하고 그 정보를 어떻게 표현하는지에 따라 결정됩니다. 본 연구에서는 위치, 방향 및 스케일에 걸쳐 다중 스케일 2차원 제한(restriction)을 샘플링하고, 유효성 인식 합성곱(validity-aware convolutional) 처리 및 순열 불변(permutation-invariant) 집계를 통해 정규화된 목적 함수 값 맵을 인코딩하는 기하학적 프로빙 프레임워크를 제안합니다. 동일한 예산 조건, 문제 내 및 문제 수준 전이, 융합, 표현 및 예산 분석 하에서 제안 기법을 고전적 ELA 및 Deep-ELA와 비교합니다. 나아가 통제된 절제 연구(ablation study)를 통해 프로브 획득과 프로브 처리를 분리하여 분석합니다. 실험 결과에 따르면 제안된 시각적 표현은 ELA 계열 특징(feature)과 상호 보완적인 솔버 성능 정보를 드러내며, 문제 수준 전이 상황에서 상대적 기대 실행 시간 측면의 상대적 우위를 유지하는 반면, 더 넓은 탐색 범위나 더 풍부한 특징, 혹은 예측 용이성만으로는 더 나은 알고리즘 선택을 보장하지 못함을 보여줍니다.

arXiv:2604.13230v2cs.LG

랜덤 투영을 통한 차원 축소가 경관 특징을 보존하는가

Does Dimensionality Reduction via Random Projections Preserve Landscape Features?

랜덤 가우시안 임베딩(RGE)을 통한 차원 축소가 탐색적 경관 분석(ELA) 특징의 견고성에 미치는 영향을 BBOB 벤치마크 문제군으로 체계적으로 분석한 연구로, 선형 랜덤 투영이 ELA 관련 기하학적·위상적 구조를 빈번히 왜곡하여 대부분의 특징이 원래 문제의 내재적 특성을 반영하지 못함을 밝혔다. 소수의 특징은 비교적 안정적이나 투영으로 인한 아티팩트를 반영할 수 있어, 견고성이 곧 정보성을 보장하지 않는다는 점을 지적한다.

arXiv:2607.07854v1cs.NE

탐색적 경관 분석 맥락에서 제한된 데이터 조건의 무작위 부분공간 샘플링

Sampling on Random Subspaces under Limited Data in the Context of Exploratory Landscape Analysis

제한된 평가 예산 환경에서 탐색적 경관 분석(ELA)의 경관 기술자 안정성이 저하되는 문제를 해결하기 위해, 전체 결정 공간 대신 무작위 선형 임베딩(random linear embedding) 기반의 저차원 부분공간에 샘플링 예산을 집중하는 전략을 제안한다. BBOB 벤치마크 20차원 설정 실험 결과, 임베딩 기반 샘플링이 일부 ELA 특징 집합의 강건성을 향상시키는 유망한 대안임을 확인하였으나, 효과는 특징 클래스와 대상 문제에 따라 달라진다.