Phòng thí nghiệm AI Hamano và cộng sự nhận được “Đề cử kèo tỷ lệ nhà cái báo Xuất sắc nhất” tại GECCO 2025

22/07/2025

kèo tỷ lệ nhà cái báo của các nhà nghiên cứu AI Lab Yuki Hamano, Masahiro Nomura, Kento Uchida thuộc Tổ chức Xúc tiến Giáo dục Đại học Quốc gia Yokohama, Shinichi Shirakawa thuộc Viện Nghiên cứu Cao cấp thuộc Đại học Quốc gia Yokohama và Shota Saito của Đại học Quốc gia Yokohama/Skill Up NeXt, Inc đã được chọn tham dự hội nghị quốc tế về điện toán tiến hóa, "GECCO 2025"※1*2

■ Giới thiệu về GECCO 2025
``GECCO'' là hội nghị quốc tế được tổ chức hàng năm bởi các nhà nghiên cứu từ khắp nơi trên thế giới và là một trong những hội nghị quốc tế uy tín trong lĩnh vực tính toán tiến hóa, một lĩnh vực quan trọng trong tối ưu hóa Đây là năm thứ 4 liên tiếp một kèo tỷ lệ nhà cái báo của AI Lab được GECCO chấp nhận

■ Giới thiệu về Đề cử cho kèo tỷ lệ nhà cái báo hay nhất
Giải thưởng này được trao cho 30 trong số 501 kèo tỷ lệ nhà cái gửi tới GECCO 2025 (trong đó có 181 kèo tỷ lệ nhà cái được chấp nhận là kèo tỷ lệ nhà cái đầy đủ)

■kèo tỷ lệ nhà cái nghiên cứu

Tối ưu hóa hộp đen là một phương pháp tìm kiếm hiệu quả các tham số tối ưu khi chưa biết cấu trúc bên trong của hàm mục tiêu Thông thường, CMA-ES (Chiến lược tiến hóa thích ứng ma trận hiệp phương sai), vượt trội trong tối ưu hóa biến liên tục, đã thu hút sự chú ý và được áp dụng để điều chỉnh siêu tham số của các mô hình học máy và hợp nhất mô hình tiến hóa Tuy nhiên, CMA-ES có một vấn đề là khó áp dụng cho các kèo tỷ lệ nhà cái toán bao gồm các biến rời rạc như biến số nguyên và biến phân loại
Trong nghiên cứu này, chúng tôi đã đề xuất một phương pháp có thể tối ưu hóa đồng thời các biến liên tục, biến số nguyên và biến phân loại một cách hiệu quả đồng thời tận dụng hiệu suất tối ưu hóa liên tục của CMA-ES Người ta đã xác nhận bằng thực nghiệm rằng phương pháp này nhẹ hơn và có thể được tối ưu hóa với độ chính xác cao hơn phương pháp tối ưu hóa Bayesian phổ biến hiện nay

kèo tỷ lệ nhà cái báo đoạt giải đây Xin hãy xem
Ryoki Hamano, Masahiro Nomura, Shota Saito, Kento Uchida và Shinichi Shirakawa CatCMA có ký quỹ: Tối ưu hóa ngẫu nhiên cho các biến liên tục, số nguyên và phân loại Trong Kỷ yếu của Hội nghị tính toán di truyền và tiến hóa (GECCO ’25), 2025

※1 “GECCO” Hội nghị tính toán di truyền và tiến hóa
※2 Tất cả các liên kết và chức danh đều có tại thời điểm lựa chọn