Core Concepts
Dieser Artikel leitet Natural Evolution Strategies (NES) Algorithmen für diskrete Parameterräume her und zeigt deren praktische Leistungsfähigkeit bei Aufgaben mit diskreten Parametern.
Abstract
Der Artikel beschreibt die Herleitung von NES-Algorithmen für diskrete Parameterräume. NES-Algorithmen sind eine Klasse von approximativen Gradienten-basierten Black-Box-Optimierern, die erfolgreich für kontinuierliche Parameterräume eingesetzt wurden.
Der Hauptbeitrag des Artikels ist die Erweiterung von NES auf diskrete Parameterräume. Die Autoren zeigen, dass diskrete NES-Algorithmen effektiv mit kontinuierlichen NES-Algorithmen zusammenarbeiten können. In einem Experiment zur Programminduktion unter Verwendung von Sketching demonstrieren die Autoren die praktische Leistungsfähigkeit diskreter NES-Algorithmen. Die diskreten Teile des Programms werden dabei mit diskreten NES-Algorithmen optimiert, während die kontinuierlichen Teile mit Gaussian NES optimiert werden.
Die Ergebnisse zeigen, dass diskrete NES-Algorithmen eine stabile Konvergenz und bessere Leistung als eine Baseline-Methode auf Basis von Variational Optimization aufweisen. Die Autoren schlussfolgern, dass diskrete NES-Algorithmen ein nützliches Werkzeug für die Optimierung diskreter Parameterräume darstellen.
Stats
Wenn x > 3.5 gilt, dann ist der Ausgabewert 4.2 * x.
Ansonsten ist der Ausgabewert x * 2.1.
Quotes
"NES is very similar to variational optimization (Staines & Barber, 2012) as both estimate the gradient as a Monte Carlo expectation. The major difference lies in the gradient of the search distribution: VO uses the gradient of the probability, while NES uses the score."