Buchumschlag

From Sorting Algorithms to Scalable Kernels: Bayesian Optimization in High-Dimensional Permutation Spaces

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xie, Zikai, Chen, Linjiang
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Permutation Invariant Learning with High-Dimensional Particle Filters
von: Boopathy, Akhilan, et al.
Veröffentlicht: (2024)

Automated Kernel Discovery Towards Understanding High-dimensional Bayesian Optimization
von: Yun, Taeyoung, et al.
Veröffentlicht: (2026)

Expected Coordinate Improvement for High-Dimensional Bayesian Optimization
von: Zhan, Dawei
Veröffentlicht: (2024)

Policy Newton Algorithm in Reproducing Kernel Hilbert Space
von: Zhang, Yixian, et al.
Veröffentlicht: (2025)

Scalable Structure Learning of Bayesian Networks by Learning Algorithm Ensembles
von: Liu, Shengcai, et al.
Veröffentlicht: (2025)

Scalable Permutation-Aware Modeling for Temporal Set Prediction
von: Ranjan, Ashish, et al.
Veröffentlicht: (2025)

High-Dimensional Bayesian Optimization via Semi-Supervised Learning with Optimized Unlabeled Data Sampling
von: Yin, Yuxuan, et al.
Veröffentlicht: (2023)

Scalable Neural Network Kernels
von: Sehanobish, Arijit, et al.
Veröffentlicht: (2023)

Adaptive Kernel Design for Bayesian Optimization Is a Piece of CAKE with LLMs
von: Suwandi, Richard Cornelius, et al.
Veröffentlicht: (2025)

Continuous Optimization for Feature Selection with Permutation-Invariant Embedding and Policy-Guided Search
von: Liu, Rui, et al.
Veröffentlicht: (2025)

Permutation Picture of Graph Combinatorial Optimization Problems
von: Min, Yimeng
Veröffentlicht: (2024)

A Compact Representation for Bayesian Neural Networks By Removing Permutation Symmetry
von: Xiao, Tim Z., et al.
Veröffentlicht: (2023)

From High-Dimensional Spaces to Verifiable ODD Coverage for Safety-Critical AI-based Systems
von: Stefani, Thomas, et al.
Veröffentlicht: (2026)

Transfer Learning for Bayesian Optimization on Heterogeneous Search Spaces
von: Fan, Zhou, et al.
Veröffentlicht: (2023)

KernelBand: Steering LLM-based Kernel Optimization via Hardware-Aware Multi-Armed Bandits
von: Ran, Dezhi, et al.
Veröffentlicht: (2025)

Structure As Search: Unsupervised Permutation Learning for Combinatorial Optimization
von: Min, Yimeng, et al.
Veröffentlicht: (2025)

Kernel Density Bayesian Inverse Reinforcement Learning
von: Mandyam, Aishwarya, et al.
Veröffentlicht: (2023)

Axiomatization of Gradient Smoothing in Neural Networks
von: Zhou, Linjiang, et al.
Veröffentlicht: (2024)

Offline Reinforcement Learning in Large State Spaces: Algorithms and Guarantees
von: Jiang, Nan, et al.
Veröffentlicht: (2025)

Bayesian Optimization of Process Parameters of a Sensor-Based Sorting System using Gaussian Processes as Surrogate Models
von: Kronenwett, Felix, et al.
Veröffentlicht: (2025)

High-Dimensional Search, Low-Dimensional Solution: Decoupling Optimization from Representation
von: Kalyoncuoglu, Yusuf, et al.
Veröffentlicht: (2025)

Sample-Efficient Bayesian Optimization with Transfer Learning for Heterogeneous Search Spaces
von: Deshwal, Aryan, et al.
Veröffentlicht: (2024)

Elucidating the Design Space of Dataset Condensation
von: Shao, Shitong, et al.
Veröffentlicht: (2024)

Algorithms for Learning Kernels Based on Centered Alignment
von: Cortes, Corinna, et al.
Veröffentlicht: (2012)

OptMATH: A Scalable Bidirectional Data Synthesis Framework for Optimization Modeling
von: Lu, Hongliang, et al.
Veröffentlicht: (2025)

Rethinking Soft Actor-Critic in High-Dimensional Action Spaces: The Cost of Ignoring Distribution Shift
von: Chen, Yanjun, et al.
Veröffentlicht: (2024)

From Shallow Bayesian Neural Networks to Gaussian Processes: General Convergence, Identifiability and Scalable Inference
von: de Araújo, Gracielle Antunes, et al.
Veröffentlicht: (2026)

Automated Computational Energy Minimization of ML Algorithms using Constrained Bayesian Optimization
von: Mitra, Pallavi, et al.
Veröffentlicht: (2024)

A Slices Perspective for Incremental Nonparametric Inference in High Dimensional State Spaces
von: Shienman, Moshe, et al.
Veröffentlicht: (2024)

PICASO: Permutation-Invariant Context Composition with State Space Models
von: Liu, Tian Yu, et al.
Veröffentlicht: (2025)

Benchmarking Randomized Optimization Algorithms on Binary, Permutation, and Combinatorial Problem Landscapes
von: Odeyemi, Jethro, et al.
Veröffentlicht: (2025)

Permutation-Equivariant 2D State Space Models: Theory and Canonical Architecture for Multivariate Time Series
von: Jeong, Seungwoo, et al.
Veröffentlicht: (2026)

Enhancing Kernel Power K-means: Scalable and Robust Clustering with Random Fourier Features and Possibilistic Method
von: Chen, Yixi, et al.
Veröffentlicht: (2025)

Monte Carlo Permutation Search
von: Cazenave, Tristan
Veröffentlicht: (2025)

SPECTra: Scalable Multi-Agent Reinforcement Learning with Permutation-Free Networks
von: Park, Hyunwoo, et al.
Veröffentlicht: (2025)

Learning in Feature Spaces via Coupled Covariances: Asymmetric Kernel SVD and Nyström method
von: Tao, Qinghua, et al.
Veröffentlicht: (2024)

GPU Forecasters: Language Models as Selective Surrogates for Kernel Runtime Optimization
von: Khan, Zaid, et al.
Veröffentlicht: (2026)

Scalable Policy-Based RL Algorithms for POMDPs
von: Anjarlekar, Ameya, et al.
Veröffentlicht: (2025)

Optimistic Gradient Learning with Hessian Corrections for High-Dimensional Black-Box Optimization
von: Kfir, Yedidya, et al.
Veröffentlicht: (2025)

Explainable Bayesian Optimization
von: Chakraborty, Tanmay, et al.
Veröffentlicht: (2024)