Stochastic Optimization
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 2
- 평가표
- 12
- 보존된 평가 기록
- 35
Stochastic Optimization is the task of optimizing certain objective functional by generating and using stochastic random variables. Usually the Stochastic Optimization is an iterative process of generating random variables that progressively finds out the minima or the maxima of the objective functional. Stochastic Optimization is usually applied in the non-convex functional spaces where the usual deterministic optimization such as linear or quadratic programming or their variants cannot be used.
Source: ASOC: An Adaptive Parameter-free Stochastic Optimization Techinique for Continuous Variables
논문
이 태스크와 하위 분야의 관련 논문입니다. 실제 성능 비교는 평가 결과에서 확인하세요.
Resource-Efficient Distributed Recursive Gaussian Processes
ZO-COSMO: 분산 제로차 최적화를 위한 인덱스 없는 원홉(one-hop) 혼합
LLM으로 진화하는 검사 가능한 O-RAN 슬라이싱 xApp
VCMM: 멀티모달 학습을 위한 분산 보정 모멘텀
Step Law는 소규모 언어 모델에도 전이되는가? 59M 파라미터 미만에서의 실증적 재보정
노이즈 감소와 바이어스 보정을 통한 프라이빗 분산 최적화
정확한 미니맥스 1비트 비편향 압축: 헤비테일의 필연성과 유한 랜덤성 근사
자원 제약 환경에서의 다중 클래스 악성코드 분류 성능 향상
재해결 없이 온라인 선형 계획을 위한 자원 적응형 확률적 경사하강법
Learn2Splat: 학습 기반 3DGS 최적화 지평의 확장
위험 민감 Schrödinger bridge: KL 투영이 아니다
진화적 안정성이 학습 도달 가능성을 보장하지는 않는다: 협력 창발에 대한 다중 에이전트 강화학습 관점
불편 그래디언트, 이동하는 안정성 경계: 선형 셀프 어텐션에서의 정확한 미니배치 기하학
대규모 언어 모델을 활용한 온라인 자동 알고리즘 설계
dLLM의 디노이징 궤적 최적화: 경량 진화 휴리스틱 접근
퍼콜레이션 관점에서 바라본 드롭아웃 신경망 학습
KL 발산을 통한 궤적 정규화 확률적 최적 제어
오디오 모델의 효율적인 스케일링: 규모, 해상도, 적응, 정밀도 및 희소성의 결합 최적화
PINNForge: 대규모 언어 모델을 통한 PDE 해법을 위한 물리 정보 신경망(PINN)의 실행 기반 진화적 설계
LIMIT: Text-to-SQL에서 지시 미세조정은 적을수록 더 낫다
개방형 이미지 품질 지각을 위한 진화적 에이전틱 접근
블랙박스 최적화에서 대리 모델로서의 인공 신경망
잡음이 있는 QAOA 최적화를 위한 적응형 차분 진화 및 다중 시작 탐색
차량 경로 문제에서 유도 국소 탐색 학습을 위한 행동 기반 니칭 유전 프로그래밍
DCL-GPGLS: 대규모 차량 경로 문제를 위한 유전 프로그래밍 유도 국소 탐색 기반 동적 커리큘럼 학습
LLM에게 자기 진화를 가르치기: 강화학습으로 핵심 메타 스킬 함양
개입 주도 변화 하에서 반사실 회귀를 위한 반모수 추론
비정상 함수적 이중 수준 최적화
엔트로피 흐름 계산을 통한 마르코프 알고리즘의 일반화 한계
대규모 언어 모델과 진화 연산: 양방향 상호작용, 자동화된 알고리즘 설계 및 공적응 시스템에 대한 비판적 검토
Tensorion: A Tensor-Aware Generalization of the Muon Optimizer
자기균형 순차 표본추출: 통제된 예측 가능성을 갖는 빠른 수렴
바닐라 SGD와 모멘텀은 헤비테일 노이즈에서도 수렴한다: 그래디언트 클리핑 또는 정규화 없는 수렴 분석
인간 피드백 강화학습을 위한 바서슈타인 분포적 강건 후회 최적화
칼라비-야우 초곡면의 DNA
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.