[논문] 고정 예산 잡음 진화 전략에서 깊이가 정밀도보다 우선

출처: arXiv - 2606.06555v1

개요

고정된 평가 예산 하에서의 노이즈가 있는 진화 전략은 깊이와 충실도 사이의 트레이드오프에 직면합니다: 세대 내 순위를 노이즈 제거에 평가를 사용하면 최적화기가 수행할 수 있는 분포 업데이트 횟수가 줄어듭니다. 우리는 충실도보다 깊이를 중시하며, 순위 불확실성을 통합한 조건부 기대 순위 가중치로 진화 전략의 하드 순위 기반 가중치를 대체하는 확률적 엘리트 멤버십(Probabilistic Elite Membership, PEM)을 제안합니다. PEM은 조건부 평균 업데이트를 유지하면서 조건부 업데이트 분산을 감소시키며, 이는 노이즈가 있는 순위 기반 단계의 라오‑블랙웰리제이션입니다. 우리는 PEM을 잔차 부트스트래핑(residual bootstrapping, RB‑PEM)으로 구현하고, 세대당 오버헤드를 제한하면서 저노이즈 환경을 위한 적응형 탐색‑전환 메커니즘을 보완합니다. COCO bbob‑noisy 스위트와 강화학습 정책 탐색 및 하이퍼파라미터 최적화를 포함한 외부 과제 전반에 걸쳐, RB‑PEM은 높은 순위 오류와 예산 제한 상황에서 일관된 성능 향상을 달성합니다.

핵심 기여

이 논문은 다음 분야의 연구를 제시합니다:

• cs.NE
• cs.LG

방법론

자세한 방법론은 전체 논문을 참고하십시오.

실용적 함의

본 연구는 cs.NE 분야의 발전에 기여합니다.

저자

• Sichen Wang
• Zhipeng Lu

논문 정보

• arXiv ID: 2606.06555v1
• 분류: cs.NE, cs.LG
• 출판일: 2026년 6월 4일
• PDF: PDF 다운로드