Nov, 2018

自动算法选择：调研和视角

PDF
TL;DR该文概述了自动算法选择的研究，涵盖离散问题和连续问题的应用，并讨论算法配置、调度或组合选择等相关方法。此外，文章还提供了离散问题和连续问题的问题实例特征概述，并对未来的工作进行了展望，讨论了许多开放性的研究挑战。
per-instance algorithm selectioncomputationally hard problemsdiscrete combinatorial problemscontinuous optimization problemsproblem instance features
发现论文，激发创造
  • 组合搜索问题的算法选择：综述

    该论文综述了算法选择问题的研究现状及其在组合搜索问题中的性能提升，归纳了目前算法选择的多种方法并且讨论了使用这些方法的不同方向，最后总结出未来研究的方向。

    Oct, 2012

  • 黑盒单目标连续优化算法自动选择使用的元特征调查

    通过对单目标连续黑箱优化领域的算法选择的关键贡献进行概述，我们介绍了在优化问题实例、算法实例及其交互的元特征表示学习方面的正在进行的工作，并研究了用于自动算法选择、配置和性能预测的机器学习模型，通过这些分析，我们发现了现有技术的不足之处，并提出了进一步发展元特征表示的思路。

    Jun, 2024

  • 节约型算法选择

    从 ASLib 中的六个数据集中评估了三种方法：基于预测不确定性的主动学习、使用超时预测器增强算法预测器以及使用逐步增加超时的方式收集训练数据，并展示了每个选项所实现的标记成本的降低。

    May, 2024

  • 一种应用特定算法选择的 PAC 方法

    本文使用统计和在线学习理论的概念来分析特定应用领域下的算法选择问题，并将算法选择建模为统计学习问题，同时研究了在线算法选择问题的可能性和不可能性结果。

    Nov, 2015

  • 基于整数规划的算法选择问题的最优决策树

    本文提出了基于整数规划的方法来构建用于算法选择问题的决策树，并使用 COIN-OR Branch & Cut solver 实现的线性规划算法进行了实验。实验结果表明，该方法具有很好的泛化性能且未过度拟合。

    Jul, 2019

  • 算法配置问题

    算法优化领域已经通过自动配置算法参数的方法显著进展。本文深入研究了算法配置问题，重点优化针对特定决策 / 优化问题实例的参数化算法。我们提出了一个全面的框架，不仅形式化了算法配置问题，还概述了利用机器学习模型和启发式策略解决该问题的不同方法。本文将已有的方法论分为按实例和按问题的方法，并区分了模型构建和部署的离线和在线策略。通过综合这些方法，我们旨在为理解和应对算法配置中固有的复杂性提供清晰的路径。

    Mar, 2024

  • 在线组合优化：一项调查

    本文旨在提供关于在线投资组合选择技术的一揽子研究，其中包括基准线、赢家追踪方法、输家追踪方法、基于模式匹配的方法和元学习算法等在内的多个状态性方法，同时探讨这些算法与资本增长理论之间的关系。此文旨在帮助研究人员和投资经理更好地了解这些技术及其潜在应用，并评估未来研究方向的新趋势。

    Dec, 2012

  • 基于组合投资算法选择的泛化性能

    本文探讨了基于组合算法选择的一个有效算法配置过程，分析了三种情况可能导致多样性的算法集合与性能预测之间的差距，提出了一种 end-to-end 的学习理论分析集合组合与算法选择的方法，并通过实验证明个体算法选择器的复杂性和算法性能的学习理论复杂性将会对方案的性能产生重要影响。

    Dec, 2020

  • 论算法选择中探测轨迹的效用

    使用机器学习方法来选择算法通常将描述一个实例的数据作为输入，我们提出了一种新颖的基于算法的方法来描述实例，该方法使用短的探测轨迹来训练算法选择模型，并且在计算效率和结果方面比传统的基于特征的方法更有前景。

    Jan, 2024

  • 算法运行时间预测：方法与评估

    利用机器学习建模算法的运行时间，对算法分析、自动参数配置等方面有重要应用，本文针对命题可满足性、旅行商问题和混合整数规划等问题，介绍了新的模型和特征，与文献中各种运行时间建模技术进行比较，实证表明本文新模型相比以往方法，具有更好的泛化性和预测准确度。

    Nov, 2012