Evaluating Search Engines and Large Language Models for Answering Health Questions
Centro Singular de Investigación en Tecnoloxías Intelixentes (CiTIUS)(智能技术研究中心(CiTIUS));Universidade de Santiago de Compostela(圣地亚哥德孔波斯特拉大学)
本研究比较了搜索引擎、大型语言模型及RAG变体在回答150个健康问题上的表现,发现LLMs准确率更高,RAG方法能显著提升较小LLMs的准确率。
2025-03-06 cs.AI cs.IR
Evaluating Robustness of Generative Search Engine on Adversarial Factual Questions
HKUST(GZ)(香港科技大学(广州));Tsinghua University(清华大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
本研究通过黑盒对抗性事实问题评估生成式搜索引擎的鲁棒性,发现其易受攻击且检索增强生成更易产生事实错误,强调部署前需严格评估。
2024-02-25 cs.AI cs.CL cs.IR
vTrain: A Simulation Framework for Evaluating Cost-effective and Compute-optimal Large Language Model Training
KAIST(韩国科学技术院);Samsung Advanced Institute of Technology(三星先进技术研究院)
本文提出由性能剖析驱动的仿真框架vTrain,用于快速准确地搜索成本效益高、计算最优的LLM训练配置、并行策略、集群调度与模型架构。
2024-09-10 cs.AI cs.AR cs.LG
Visual Parallel Search: Learning to Search High-Resolution Images with Parallel Tile Inspection and Adaptive Zoom
The University of Hong Kong(香港大学);Huawei Research(华为研究院);City University of Hong Kong(香港城市大学);Huazhong University of Science and Technology(华中科技大学)
针对高分辨率视觉问答中局部证据获取难题,提出VPS并行搜索框架,通过并行瓦片检查与自适应缩放提升准确率,并引入监督与强化学习优化搜索行为。
2026-10-01 cs.AI cs.CV
ParallelSearch: Train your LLMs to Decompose Query and Search Sub-queries in Parallel with Reinforcement Learning
NVIDIA(英伟达);Pennsylvania State University(宾夕法尼亚州立大学)
提出ParallelSearch强化学习框架,通过专用奖励函数引导LLM识别可并行查询结构并并发执行搜索,在七个问答基准上平均提升2.9%,在可并行问题上性能提升12.7%且仅需69.6%的LLM调用次数。
2025-08-12 cs.AI cs.CL cs.IR
PeopleSearchBench: Evaluating AI-Powered People Search Platforms with Criteria-Grounded Verification
LessieAI research team(LessieAI 研究团队)
本文提出PeopleSearchBench,一个开源基准,评估四个人力搜索平台在119个真实查询中的表现,采用事实验证方法,提出Criterions-Grounded Verification,评估三个维度:相关性精度、有效覆盖和信息效用,Lessie在所有指标中表现最佳。
2026-09-01 cs.AI cs.LG
Evaluating Reliability Asymmetries in Chinese Factual Search and AI Answers
Department of Electronics, Information and Bioengineering, Politecnico di Milano(电子、信息与生物工程系,米兰理工学院);University of Science and Technology of China(中国科学技术大学)
通过构建基于真实中文搜索日志的查询事实核查数据集,比较传统搜索引擎、大型语言模型和搜索集成AI概览在中文是非问题上的准确性、回答频率、极性差距及区域信息需求差异,揭示可靠性不仅取决于回答正确性,还受回答频率、否定主张处理和信息需求暴露风险影响。
2026-05-28 cs.AI cs.CL cs.CY
Cascading A*: a Parallel Approach to Approximate Heuristic Search
本文提出了一种新的近似启发式搜索算法:CascadingA *,它是一种通过“包络球”概念将A* 和IDA* 结合起来的两阶段算法。新算法CA* 是一种高效的、能够产生近似解和任意时间解的、并行友好的算法。
2016-05-03 cs.AI
AltAltp: Online Parallelization of Plans with Heuristic State Search
Arizona State University(亚利桑那州立大学)
尽管他们的附近的统治地位,启发式状态搜索规划器仍然落后于析取规划器在经典规划的并行计划的生成。原因在于,在状态空间规划器中直接搜索并行解将要求规划器在并行动作的所有可能子集上分支,从而指数地增加分支因子。我们提出了一个变种,我们的启发式状态搜索规划AltAlt,称为AltAltp生成并行计划,通过使用贪婪的在线并行化的部分计划。贪婪的方法是显着通知使用新的距离算法,AltAltp从一个graphplan风格的规划图的问题。虽然这种方法不能保证提供最佳的并行计划,实证结果表明,AltAltp是能够产生良好的质量并行计划的一小部分所产生的成本由析取规划。
2011-06-26 cs.AI
Adaptive Parallel Iterative Deepening Search
University of Texas at Arlington(得克萨斯大学阿灵顿分校);Stephen F. Austin State University(斯蒂芬·F·奥斯汀州立大学)
迄今为止开发的许多人工智能技术依赖于通过大空间的启发式搜索。不幸的是,这些空间的大小和相应的计算工作量降低了其他新颖和有效的算法的适用性。许多并行和分布式搜索方法大大提高了搜索过程的性能。我们的目标是开发一个架构,自动选择并行搜索策略的各种搜索问题的最佳性能。在本文中,我们描述了这样一个体系结构实现的尤里卡系统,它结合了许多不同的方法来并行启发式搜索的好处。通过实证和理论分析,我们观察到问题空间的特征直接影响最优并行搜索策略的选择。然后,我们采用机器学习技术来选择一个给定的问题空间的最佳并行搜索策略。当一个新的搜索任务输入到系统中时,Eureka使用描述搜索空间和所选架构的特征来自动选择适当的搜索策略。Eureka已经在MIMD并行处理器、分布式工作站网络和使用多线程的单个工作站上进行了测试。从15个难题问题,机器人手臂运动问题,人工搜索空间,规划问题产生的结果表明,尤里卡优于任何测试策略专门用于所有问题的实例,并能够大大减少搜索时间,这些应用程序。
2011-05-27 cs.AI
Iterating Toward Better Search: A Two-Agent Simulation Framework for Evaluating Agentic Search Architectures in E-Commerce
eBay Inc.(eBay公司)
提出模块化双智能体仿真框架,通过固定买家智能体对比不同应答器设计,发现滚动窗口记忆在质量和速度上优于意图提取记忆,并基于失败分析将失败率降低62%。
2026-06-12 cs.AI
Structured Parallel Programming for Monte Carlo Tree Search
Leiden University(莱顿大学);Nikhef(荷兰国家亚原子物理研究所)
本文提出了一种新的并行蒙特卡罗树搜索算法。它是基于流水线模式,并允许灵活管理的控制流的操作并行MCTS。流水线模式为MCTS提供了第一个结构化并行编程方法。此外,我们提出了一种新的无锁树数据结构的并行MCTS,消除了同步开销。与现有方法相比,并行MCTS算法的流水线模式(称为3PMCTS)可以很好地扩展到更高数量的核心。
2017-04-02 cs.AI
Evaluating Las Vegas Algorithms - Pitfalls and Remedies
Darmstadt University of Technology(达姆施塔特工业大学)
随机搜索算法是解决组合难题最成功的方法之一。拉斯维加斯算法(Las Vegas Algorithms,LVAs)是一种随机搜索方法。由于LVA的运行时行为的特点是随机变量,运行时分布的详细知识提供了重要的信息,这些算法的分析。在本文中,我们提出了一种新的方法来评估性能的LVA,基于经验的运行时分布的识别。我们通过将其应用于命题逻辑中的可满足性问题(SAT)的随机局部搜索(SLS)算法来验证我们的方法。我们指出使用不当的经验方法所产生的陷阱,并讨论了所提出的方法来评估和比较LVAs的好处。
2013-01-30 cs.AI
DailyReport: An Open-ended Benchmark for Evaluating Search Agents on Daily Search Tasks
University of Science and Technology of China(中国科学技术大学);Meituan(美团)
提出DailyReport基准,包含150个开放式日常搜索任务和3546个级联评分标准,通过分解子任务和维度评估,揭示当前搜索代理系统仍未能满足用户期望。
2026-06-12 cs.AI
Hybrid Deep Searcher: Scalable Parallel and Sequential Search Reasoning
Seoul National University(首尔国立大学);LG AI Research(LG AI研究);University of Illinois Chicago(伊利诺伊大学芝加哥分校);University of Seoul(首尔大学)
提出混合搜索策略HybridDeepSearcher,通过并行查询扩展与显式证据聚合结合顺序推理,在多个基准上显著提升性能并实现测试时搜索扩展。
2026-05-25 cs.AI
Evaluating and Improving Modern Variable and Revision Ordering Strategies in CSPs
University of the Aegean(爱琴海大学)
在约束求解过程中,可以显著减少搜索空间的一个关键因素是选择接下来要实例化的变量的标准。为此目的,已经提出了许多化学品。其中一些最好的算法利用了在整个搜索过程中收集的失败信息,并以约束权重的形式记录下来,而另一些算法则测量了变量分配在减少搜索空间方面的重要性。在这项工作中,我们实验评估最新的和强大的变量排序算法,以及它们的新变种,在广泛的基准。结果表明,基于故障的物流通常更有效。在此基础上,我们然后得到新的修订排序算法,利用记录的故障,有效地顺序传播列表时,保持弧一致性在搜索过程中。有趣的是,除了减少约束检查和列表操作的数量外,这些算法还能够减少搜索树的大小。
2010-08-07 cs.AI
Evaluation of a Simple, Scalable, Parallel Best-First Search Strategy
Tokyo Institute of Technology(东京工业大学);The University of Tokyo(东京大学);NICTA(澳大利亚国家信息与通信技术研究院);The Australian National University(澳大利亚国立大学);IBM Research(IBM研究院)
由商用处理器组成的大规模并行集群越来越多,使得能够使用巨大的处理能力和分布式RAM来解决硬搜索问题。我们调查散列分布式A*(HDA*),一个简单的方法来并行最佳优先搜索,异步分配和调度处理器之间的工作的基础上的哈希函数的搜索状态。我们使用这种方法来并行化的A* 算法在一个最佳的顺序版本的快速向下规划,以及24难题求解器。HDA* 的扩展行为在共享内存、8核多核机器、使用多达64核的商用机器集群以及使用多达2400个处理器的大规模高性能集群上进行了实验评估。我们表明,这种方法的规模很好,允许有效利用大量的分布式内存,以最佳的解决问题,需要太字节的RAM。我们还比较了HDA* 和转换表驱动调度(TDS),这是IDA* 的一种基于散列的并行化,并表明,在规划方面,HDA* 明显优于TDS。一个简单的混合,结合HDA* 和TDS利用这两种算法的优势,提出和评估。
2012-10-25 cs.AI
ParLS-PBO: A Parallel Local Search Solver for Pseudo Boolean Optimization
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学)
本文提出 ParLS-PBO,通过动态评分机制改进 LSPBO,并基于可行解池共享与极性密度增强评分,实现首个并行局部搜索 PBO 求解器,实验性能可与 Gurobi 并行版竞争。
2024-07-31 cs.AI
On Parallel External-Memory Bidirectional Search
Ben-Gurion University of the Negev(内盖夫本-古里安大学);University of Alberta(阿尔伯塔大学);Alberta Machine Intelligence Institute (Amii)(阿尔伯塔机器智能研究所)
本文提出并行外存双向搜索框架,并实现BAE*的PEM变体PEM-BAE*,实验证明其在多个领域优于A*、MM及并行IDA*,表明双向搜索显著强于单向搜索。
2024-12-31 cs.AI
Agentic Flow Steering and Parallel Rollout Search for Spatially Grounded Text-to-Image Generation
Harbin Institute of Technology(哈尔滨工业大学)
本文提出AFS-Search框架,通过闭合环路机制和空间感知引导提升文本到图像生成的精度与效率,实现性能和速度的双重优化。
2026-03-19 cs.AI
Parallel local search for solving Constraint Problems on the Cell Broadband Engine (Preliminary Results)
Universidade de Évora(埃武拉大学);CENTRIA FCT/UNL(新里斯本大学科学技术中心);University of Paris 1-Sorbonne(巴黎第一大学-索邦大学);JFLI, CNRS / UPMC / University of Tokyo(日本法语实验室,法国国家科学研究中心/巴黎第六大学/东京大学)
我们探讨了使用的细胞宽带引擎(细胞/BE为短)的组合优化的应用:我们提出了一个并行版本的基于约束的本地搜索算法,已实施的多处理器BladeCenter机与双细胞/BE处理器(共16个SPU每个刀片)。之所以选择这种算法,是因为它非常适合Cell/BE架构,既不需要共享内存,也不需要处理器之间的通信,同时保留了紧凑的内存占用。我们研究了几个大型优化基准的性能,并表明这主要是线性时间加速,甚至有时超线性。这是可能的,因为并行实现可以同时探索搜索空间的不同部分,因此更快地收敛到最佳子空间,从而收敛到解。除了获得加速之外,结果时间显示出更小的差异,这有利于及时回复至关重要的应用程序。
2009-10-07 cs.AI
Parallel Greedy Best-First Search with a Bound on Expansions Relative to Sequential Search
针对非可采纳搜索算法并行化后行为易偏离串行搜索的问题,提出并行贪心搜索算法OBAT,保证其扩展状态数在某种平局打破策略下的串行GBFS的常数因子范围内,并通过实验验证了该特性。
2025-06-17 cs.AI cs.DS
Adaptive Parallel Monte Carlo Tree Search for Efficient Test-time Compute Scaling
School of Computing, Korea Advanced Institute of Science and Technology(韩国科学技术院计算学院)
本文提出负早退和自适应提升机制,通过优化MCTS执行效率,降低端到端延迟并提升吞吐量,同时保持推理准确性。
2026-04-01 cs.AI
Leveraging Reinforcement Learning for evaluating Robustness of KNN Search Algorithms
TU Kaiserslautern(凯泽斯劳滕工业大学);German Research Center for Artificial Intelligence(德国人工智能研究中心)
在给定的数据集中为给定的查询点找到K-最近邻居的问题已经研究了好几年。在非常高维的空间中,K-最近邻搜索(KNNS)在计算高维距离的复杂性方面受到影响。由于维数灾难的问题,可靠地依靠各种近似最近邻搜索方法的结果变得相当繁琐。在本文中,我们调查了一些新的K-最近邻搜索方法,从计算的角度来解决搜索问题,近似结果的准确性和利用并行加速计算。我们试图推导出一个给定的KNNS方法的真阳性和假点之间的关系。最后,为了评估KNNS方法对对抗点的鲁棒性,我们提出了一个通用的基于强化学习的框架。
2021-02-10 cs.AI cs.LG
A Parallel CPU-GPU Framework for Batching Heuristic Operations in Depth-First Heuristic Search
针对深度优先搜索算法(如IDA*、BTS)启发式计算难以批量处理的问题,提出并行CPU-GPU框架,CPU并行化树搜索、GPU并行化启发式评估,开发CB-DFS框架提升性能,在魔方和滑动拼图任务验证有效性。
2025-11-16 cs.AI cs.DC
Decoupling Generation and Evaluation for Parallel Greedy Best-First Search(extended version)
针对受限并行贪心最佳优先搜索中线程需空闲等待符合约束的扩展状态、约束执行成本高的问题,提出将状态生成与评估解耦的改进方法,显著提升状态评估速率,优化搜索性能。
2025-06-17 cs.AI cs.DC cs.DS
Astra: Efficient and Money-saving Automatic Parallel Strategies Search on Heterogeneous GPUs
提出 Astra 框架,在异构 GPU 上联合搜索 GPU 配置与并行参数,并通过训练耗时建模实现高吞吐、低成本的自动并行策略,搜索快且准确率超 95%。
2025-02-19 cs.AI cs.DC
A Beam Search Based Parallel Algorithm for the Two-Dimensional Strip Packing Problem
Xiamen University(厦门大学)
本文提出基于束搜索的并行算法BSPA,用于求解二维条形装箱问题,并通过实验验证其有效性,同时公开代码与数据集。
2025-03-10 cs.AI math.OC
Trustless parallel local search for effective distributed algorithm discovery
University College London(伦敦大学学院);Comrade Cooperative(Comrade合作社)
元启发式搜索策略已经证明了它们在各种情况下对人造解决方案的有效性。它们通常在局部搜索区域开发中是有效的,并且它们的整体性能在很大程度上受到探索和开发之间的平衡的影响。并行局部搜索的最新发展探索了利用高效的局部搜索并达到令人印象深刻的结果的方法。然而,这限制了私有可信计算机集群内的节点的扩展潜力。在这项研究中,我们提出了一种新的区块链协议,允许并行本地搜索扩展到不可信和匿名的计算节点。该协议引入了可公开验证的性能评估的局部最优值报告的每个节点,创造了一个竞争的环境之间的局部搜索。这是加强与经济刺激,以产生良好的解决方案,提供协调之间的节点,因为每个节点试图探索不同部分的搜索空间击败他们的竞争。
2020-04-02 cs.AI cs.DC
Distributed Silhouette Algorithm: Evaluating Clustering on Big Data
Politecnico di Torino(都灵理工大学)
在大数据时代,每种算法需要具备的关键特征是能够在分布式环境中高效并行运行。不幸的是,用于评估聚类质量的流行的Silhouette度量不具有此属性,并且相对于输入数据集的大小具有二次计算复杂性。出于这个原因,它的执行在大数据场景中受到了阻碍,在这些场景中,必须以其他方式评估聚类。为了填补这一空白,在本文中,我们介绍了第一个算法,计算的轮廓度量线性复杂度,可以很容易地在分布式环境中并行执行。它的实现在Apache Spark ML库中免费提供。
2023-03-24 cs.AI cs.DC cs.DS
Practical Massively Parallel Monte-Carlo Tree Search Applied to Molecular Design
Chugai Pharmaceutical Co., Ltd(中外制药株式会社);Intel Labs(英特尔实验室);RIKEN Center for Advanced Intelligence Project(理化学研究所革新智能统合研究中心)
使用大的计算资源来训练神经网络是常见的做法,如从许多示例(诸如强化学习应用)中已知的。然而,虽然大规模并行计算经常用于训练模型,但它很少用于搜索组合优化问题的解决方案。在本文中,我们提出了一种新的大规模并行蒙特卡罗树搜索(MP-MCTS)算法,有效地工作在1,000工人规模,并将其应用于分子设计。这是第一个将分布式MCTS应用于现实世界和非游戏问题的工作。现有的大规模并行MCTS的工作表现出高效的可扩展性方面的推出多达100名工人的数量,但遭受的质量下降的解决方案。MP-MCTS在更大规模上保持搜索质量,并且通过在256个CPU核上运行MP-MCTS仅10分钟,我们获得了与运行42小时的非并行MCTS具有相似得分的候选分子。此外,我们基于并行MCTS(结合简单的RNN模型)的结果显着优于现有的最先进的工作。我们的方法是通用的,预计将加快其他应用的MCTS。
2021-04-06 cs.AI cs.DC
Using Sequential Runtime Distributions for the Parallel Speedup Prediction of SAT Local Search
University of Tokyo(东京大学);CNRS(法国国家科学研究中心);UPMC(巴黎第六大学(皮埃尔和玛丽·居里大学));University of Nantes(南特大学)
本研究提出一种基于序列运行时分布与次序统计量的框架,预测SAT局部搜索算法的并行加速性能,经两款求解器在384核硬件上的实验验证准确率较高,并发现其运行时分布可由指数或对数正态分布近似。
2024-01-30 cs.AI cs.DC
InteractComp: Evaluating Search Agents With Ambiguous Queries
DeepWisdom(深智科技);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Renmin University of China(中国人民大学);University of California, Los Angeles(加州大学洛杉矶分校);Agent Universe(智能体宇宙);McGill University(麦吉尔大学);Yale University(耶鲁大学)
研究针对搜索代理缺乏处理模糊查询及交互能力的问题,引入InteractComp基准,通过目标-干扰物方法构建问题评估17个模型,发现模型存在过度自信问题,强制交互有提升,揭示交互能力停滞,该基准对评估和训练搜索代理交互能力有重要价值。
2026-07-27 cs.AI cs.CL
Massively Parallel Proof-Number Search for Impartial Games and Beyond
本文提出了一种大规模并行证明数搜索算法,用于高效求解无偏游戏,并在Sprouts游戏中验证了猜想,实现了显著的加速和复杂度提升。
2026-02-09 cs.AI cs.DC cs.GT
High-Performance Computing for Scheduling Decision Support: A Parallel Depth-First Search Heuristic
University of Regensburg(雷根斯堡大学)
许多学科--包括信息系统、计算机科学和运营管理--都面临着作为重要决策任务的调度问题。由于许多调度问题是NP难的,在很强的意义上,有必要发展解决方案。对于不相关并行机上的带启动时间的调度问题,其求解方法的研究还很有限,而且据我们所知,并行计算机体系结构还没有得到充分利用。我们通过提出和实施一个新的解决方案启发式和测试不同的并行化策略来解决这个差距。在我们的计算实验中,我们表明,我们的启发式计算接近最优的解决方案,即使是大型的实例,计算时间可以大大减少我们的并行化方法。
2016-05-16 cs.AI cs.DC
Evaluating Deep-Search Agents under Hierarchical Web Evidence Poisoning
Ant Group(蚂蚁集团);Zhejiang University(浙江大学)
提出HAE-GEO基准,通过三级网页证据投毒评估深度搜索智能体从暴露到恢复的完整轨迹,发现佐证陷阱削弱证据识别,防御提示难以将验证转化为恢复。
2026-09-18 cs.AI cs.CR cs.IR
Solving the Resource Constrained Project Scheduling Problem Using the Parallel Tabu Search Designed for the CUDA Platform
Czech Technical University in Prague(布拉格捷克理工大学)
本文提出了一种求解资源受限项目调度问题的并行禁忌搜索算法。为了处理这个NP-难的组合问题,已经进行了许多优化。例如,通过启发式算法选择资源评估算法,并设计了有效的禁忌表。除此之外,提出了一种容量索引的资源评估算法,GPU(图形处理单元)版本使用同构模型来减少所需的通信带宽。实验结果表明,GPU版本在计算时间和解的质量方面优于优化的并行CPU版本。与其他现有的算法相比,所提出的解决方案往往给出更好的质量解决方案。
2017-11-13 cs.AI cs.DC
ParBalans: Parallel Multi-Armed Bandits-based Adaptive Large Neighborhood Search
Department of Mechanical & Industrial Engineering, Northeastern University(东北大学机械与工业工程系);AI Center of Excellence, Fidelity Investments(fidelity investments 精英研究中心);Department of Computer Science, University of Southern California(南加州大学计算机科学系);Department of Computer Science, Brown University(布朗大学计算机科学系)
本文提出ParBalans,通过结合求解器级和算法级并行性扩展了基于多臂老虎机的自适应大邻域搜索方法Balans,在困难的混合整数规划基准上展现出与商业求解器Gurobi相当的竞争力。
2025-08-08 cs.AI cs.LG
On Hash-Based Work Distribution Methods for Parallel Best-First Search
The University of Tokyo(东京大学)
并行最佳优先搜索算法(如散列分布式A*(HDA*))使用全局散列函数在进程之间分配工作。我们分析了最先进的基于哈希的并行最佳优先搜索算法的搜索和通信开销,并表明,虽然Zobrist哈希,HDA* 使用的标准哈希函数,实现了良好的负载平衡,为许多域,它会产生显着的通信开销,因为几乎所有生成的节点被转移到不同的处理器比他们的父母。我们提出了抽象Zobrist哈希,一种新的工作分配方法并行搜索,而不是计算一个哈希值的基础上的原始功能的状态,使用一个功能投影函数生成一组抽象的功能,从而导致在一个更高的本地化,从而减少通信开销。我们表明,抽象Zobrist散列优于以前的方法搜索域使用手工编码,域特定的特征投影函数。然后,我们提出GRAZHDA*,一个基于图分区的方法来自动生成特征投影函数。GRAZHDA* 试图通过划分域转换图(状态空间图的抽象)来近似实际搜索空间图的划分。我们表明,GRAZHDA* 优于以前的方法域独立的规划。
2017-11-09 cs.AI cs.DC
Evaluating Online and Offline Accuracy Traversal Algorithms for k-Complete Neural Network Architectures
Drexel University(德雷塞尔大学)
神经网络的结构尺寸已经被广泛研究,并且已经提供了几种搜索方法来在尽可能短的时间内找到最佳的结构尺寸。在本文中,我们研究紧凑的神经网络架构的二进制分类和调查的速度和准确性的改善时,有利于过完备的架构候选人,有一个非常高维的输入表示。我们假设,创建输入的相对高维表示的过完备模型架构不仅更准确,而且更容易和更快地找到。在N × M的搜索空间中,我们提出了一个在线遍历算法,该算法利用k-完备性作为算法的搜索准则,在O(1)时间内找到最佳方案,在O(N)时间内找到平均方案的最佳方案。我们实现的另外两个离线搜索算法是蛮力遍历和对角遍历,它们都能在O(NxM)时间内找到最佳架构候选。我们将我们的新算法与蛮力和对角搜索进行比较,并报告在给定相同数据集时,搜索时间比蛮力提高52.1%,比对角搜索提高15.4%,以找到最准确的神经网络架构。在本文讨论的所有情况下,我们的在线遍历算法可以找到一个准确的,如果不是更好的,在显着更短的时间内架构。
2021-01-16 cs.AI cs.LG
Parallel Architecture and Hyperparameter Search via Successive Halving and Classification
Google Brain(谷歌大脑)
我们提出了一个简单而强大的并行黑盒优化算法称为连续减半和分类(SHAC)。该算法在并行函数评估的$K$阶段中操作,并训练级联的二进制分类器以迭代地剔除搜索空间的不期望区域。SHAC易于实现,不需要调整其自身的配置参数,对目标函数的尺度是不变的,并且可以使用任何选择的二元分类器来构建。我们在SHAC中采用基于树的分类器,并在优化合成函数,超参数和架构的几个强大基线上实现了具有竞争力的性能。
2018-05-25 cs.AI cs.CV cs.LG
Mind2Web 2: Evaluating Agentic Search with Agent-as-a-Judge
The Ohio State University(俄亥俄州立大学);Amazon AGI(亚马逊AGI)
本文提出 Mind2Web 2 基准及 Agent-as-a-Judge 框架,通过 130 个长视野任务和树状评分裁判智能体,系统评估智能体搜索系统的答案正确性与来源归因,并揭示 OpenAI Deep Research 已达人类表现 50-70%。
2025-07-03 cs.AI cs.CL
Parallel Exploration via Negatively Correlated Search
Southern University of Science and Technology(南方科技大学)
本文提出一种更具原则性的负相关搜索方法,将并行探索形式化为同时最大化种群多样性和解质量,并通过部分梯度下降实现,在Atari游戏强化学习任务中验证了其显著优于现有方法的探索能力。
2020-07-27 cs.AI cs.LG cs.NE
OMB-Py: Python Micro-Benchmarks for Evaluating Performance of MPI Libraries on HPC Systems
The Ohio State University(俄亥俄州立大学)
Python已经成为机器学习(ML)、深度学习(DL)和数据科学(DS)等新兴领域的主导程序设计语言。Python的一个吸引人的特性是它提供了易于使用的编程接口,同时允许库开发人员通过利用高性能计算(HPC)平台提供的计算能力来提高应用程序的性能。高效的通信是在并行系统上扩展应用程序的关键,这通常由HPC硬件上的消息传递接口(MPI)标准和兼容库实现。mpi4py是一个基于Python的通信库,它为Python应用程序提供了一个类似于MPI的接口,允许应用程序开发人员利用包括GPU在内的并行处理元素。然而,目前还没有基准测试套件来评估现代HPC系统上mpi4py(以及一般的Python MPI代码)的通信性能。为了弥合这一差距,我们提出了OMB-Py-开源OSU Micro-Benchmark(OMB)套件的Python扩展-旨在评估Python中基于MPI的并行应用程序的通信性能。据我们所知,OMB-Py是第一个用于并行Python应用程序的通信基准套件。OMB-Py由各种点对点和集体通信基准测试组成,这些测试是为一系列流行的Python库实现的,包括NumPy,CuPy,Numba和PyCUDA。我们的评估表明,与原生MPI库相比,mpi4py引入了一个小的开销。我们计划公开发布OMB-Py,以造福Python HPC社区。
2022-08-24 cs.AI cs.DC cs.LG
Matching Meaning at Scale: Evaluating Semantic Search for 18th-Century Intellectual History through the Case of Locke
University of Helsinki(赫尔辛基大学);TurkuNLP, University of Turku(图尔库大学TurkuNLP);ELLIS Institute Finland(芬兰ELLIS研究所)
本文通过洛克作品的接受情况,评估语义搜索在18世纪思想史中的应用,发现其能更有效地检索隐含意义,但受限于词汇重叠。
2026-05-12 cs.AI cs.CL cs.CY
On Effective Parallelization of Monte Carlo Tree Search
University of California, Los Angeles(加州大学洛杉矶分校);Kwai Inc.(快手公司);Tencent AI Lab(腾讯人工智能实验室)
尽管蒙特卡罗树搜索(MCTS)在围棋和计算机游戏中取得了突破性的成功,但它在计算上是昂贵的,因为它需要大量的展开来构建搜索树,这需要有效的并行化。然而,如何设计有效的并行MCTS算法尚未得到系统的研究,仍然知之甚少。在本文中,我们试图奠定其第一个理论基础,通过研究潜在的性能损失时,实现所需的加速并行化。特别是,我们发现的必要条件,实现理想的并行化性能,并强调其实际好处。首先,通过检查现有的并行MCTS算法是否满足这些条件,我们确定了未来算法应该继承的关键设计原则,例如跟踪未观察到的样本(用于WU-UCT(Liu et al.,2020年))。我们从理论上建立这个基本的设计,促进$\mathcal{O} ( \ln n + M / \sqrt{\ln n} )$累积遗憾时,最大树深度为2,其中$n$是推出的数量和$M$是工人的数量。这种形式的遗憾是非常理想的,与由连续的对应物引起的$\mathcal{O} ( \ln n )$遗憾相比,其多余部分随着$n$的增加而接近于零。其次,更重要的是,我们证明了如何建议的必要条件,可以通过设计更有效的并行MCTS算法。为了说明这一点,我们提出了一个新的并行MCTS算法,称为BU-UCT,按照我们的理论指导方针。新提出的算法虽然是初步的,但在15款Atari游戏中的11款上的表现超过了四个竞争基线。我们希望我们的理论结果可以启发未来的工作更有效的…
2020-10-04 cs.AI cs.LG stat.ML
Massively Parallel Continuous Local Search for Hybrid SAT Solving on GPUs
National University of Singapore(新加坡国立大学);Rice University(莱斯大学)
提出FastFourierSAT,一种基于FFT卷积并行计算初等对称多项式的GPU加速混合SAT求解器,梯度计算速度提升100倍以上,并在大规模实例上表现优异。
2023-08-29 cs.AI cs.DC cs.IT