Mar, 2016

COCO: 在黑盒环境下比较连续优化器的平台

PDF
TL;DRCOCO 是一个开源平台，旨在自动化比较黑盒优化器。该平台允许使用相同的框架来测试确定性和随机求解器以进行单目标和多目标优化。论文详细介绍了 COCO 的基本概念和代码结构，以及问题和实例的定义、目标值的使用和运行时间的定义等关键概念。
发现论文，激发创造
  • CoCoA: 通信高效分布式优化框架

    CoCoA 是一种分布式计算框架，适用于机器学习和信号处理中的大型数据集，拓展到包括 L1 正则化问题等非强凸正则化器，采用一种新的方法来处理非强凸正则化器和非光滑损失函数，具有明显优于现有方法的性能。

    Nov, 2016

  • 图上组合优化求解器稳健性评估的通用框架

    本文提出第一个对组合优化求解器的实用鲁棒性度量方法，并针对 14 个算法和 CO 问题进行了广泛的实验，在给定时间限制下，发现目前的最先进算法（如 Gurobi）在指定的难例上的性能下降了超过 20％，使人们对组合优化求解器的鲁棒性产生担忧。

    Dec, 2021

  • 在多目标黑盒优化测试套件中使用被充分理解的单目标函数

    该论文提出了一种新的组合现有单目标问题的方法，构建具有多目标的测试问题套件，以更准确地评估多目标优化算法的性能，同时揭示了确定性和随机求解器之间比较性能的重要性。

    Apr, 2016

  • 评估一个基准测试：MS-COCO 的可靠性如何？

    使用 Sama-COCO 重注释 MS-COCO 数据集，通过利用形状分析管道发现潜在偏见，训练并评估了模型在这两个数据集上的表现，结果表明注释风格的重要性和注释流程需要密切考虑感兴趣的任务。

    Nov, 2023

  • 基于低预算的黑盒优化算法在 BBOB 和 OpenAI Gym 上的评估

    机器学习和黑盒优化之间的相互影响性及算法性能的比较研究：基于机器学习和黑盒优化的算法在有限预算下具有较好性能，但随着预算增加，其他算法家族通常表现更好。

    Sep, 2023

  • DeepOBS: 一个深度学习优化器基准测试套件

    提出一个用于深度学习优化基准的 Python 包 DeepOBS，该包包括广泛和可扩展的真实优化问题集，以及最流行的优化器的基准结果，支持 TensorFlow，并提供直接生成 LaTeX 代码的输出后端。

    Mar, 2019

  • RL4CO：组合优化广泛强化学习基准测试

    我们介绍了 RL4CO，这是一个全面的强化学习用于组合优化（CO）基准测试。我们通过模块化和配置管理等最佳实践来实现高效性和易于修改性，并重点强调可扩展性和广义能力对于各种优化任务的重要性，我们系统地评估了各种模型的样本效率，零射击推广以及数据分布变化的适应性。我们的实验表明，当使用这些新指标进行评估时，一些最新的最先进的方法落后于其前辈，这表明需要更平衡的观点来评估神经网络 CO 求解器的性能。我们希望 RL4CO 将鼓励探索解决复杂现实世界任务的新型解决方案，通过将科学与软件工程分离的标准化接口与现有方法进行比较。我们在此 https URL 上公开发布我们的库。

    Jun, 2023

  • COCO-O：自然分布偏移情况下的目标检测器基准测试

    通过引入基于 COCO 的 COCO-O 测试数据集，研究了 100 多种现代目标检测器的鲁棒性效果，并发现了各种架构设计、数据增强和预训练技术对鲁棒性的影响。

    Jul, 2023

  • CoRe 优化器：机器学习的一体化解决方案

    我們對 CoRe 優化器進行了廣泛的性能比較，並與其他九種優化算法進行了比較，包括 Adam 優化器和韌性反向傳播 (RPROP)，結果顯示 CoRe 優化器在各種機器學習任務中表現最佳或競爭力非凡，而只需根據小批量或批量學習改變一個超參數。

    Jul, 2023

  • 具有对抗约束的在线凸优化的严格界

    有关在线凸优化和约束在线凸优化的一篇研究论文，证明了一个在线策略可以同时实现 O (√T) 的遗憾和 θ̃(√T) 的累积约束违规，通过将 AdaGrad 算法的自适应遗憾界与 Lyapunov 优化相结合，达到了这一结果。

    May, 2024