Feb, 2023

判断是否需要切换算法：基于轨迹特征预测算法切换的收益

PDF
TL;DR本研究通过使用局部景观特征来预测何时切换算法，扩展了基于每次运行的轨迹的多算法选择方法，并分析了多个算法之间的局部景观特征交互的差异。
dynamic algorithm selectionoptimization algorithmslandscape featurestrajectory-based switchlocal landscape features
发现论文，激发创造
  • 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

  • DASH: 动态切换启发式方法

    本文提出了一种选择最适合子问题的启发式算法的方法，并实验验证在各种 MIP 示例中，该方法相较于传统的使用单一启发式算法的算法选择方法，在目标值上表现更优。

    Jul, 2013

  • 通过学习辨别性训练样本来改善算法选择和性能预测

    通过调整模拟退火算法的参数，生成鉴别不同算法的轨迹数据，用于机器学习模型的选择和性能预测，相比于原始轨迹数据和探索性景观特征，能够显著提高性能指标。

    Apr, 2024

  • 机器学习中的动态模型切换以提高准确度

    本研究通过动态模型切换的新范式，应对了机器学习中数据集不断变化的挑战，引入了一个自适应集成模型，能够根据数据集的演变智能地在 CatBoost 和 XGBoost 之间切换，以优化预测准确性。

    Jan, 2024

  • 解锁算法特性的力量：算法选择的推广分析

    通过算法特征以及一般化观点，我们提出了基于算法特征的算法选择具有可证的保证的第一个模型，并分析了几个因素对一般化误差的影响。我们证明了在复杂的多算法场景中，基于算法特征的模型在一般化方面优于仅依赖问题特征的传统模型，并在分布变化的场景中表现出正相关的一般化误差和训练集与测试集之间的卡方距离。

    May, 2024

  • 特征预测搜索空间特征的分析

    本文通过风景分析为基础的一组特征，运用最著名的机器学习方法来决定最佳特征集，以处理问题复杂性并在跨领域之间传递经验。然而，为了确保特征集的代表性，特征的选择至关重要，因此提出的方法分析了一组特征的预测能力以确定最佳分类。

    Sep, 2022

  • Deep-ELA: 基于自监督预训练变换器的深度探索性景观分析用于单目标和多目标连续优化问题

    该研究提出了一个混合方法 Deep-ELA，结合了深度学习和 ELA 特征，用于分析单目标和多目标连续优化问题的算法行为和问题理解。

    Jan, 2024

  • 可追溯的小组级自优化特征转换学习：双重优化视角

    这篇研究论文讨论了如何通过强化学习来自动化特征转换，以解决维度灾难、数据稀疏性和模型泛化等问题，并提出了一种集成图形表示和增强学习技术的自优化框架来改进其效果和通用性。

    Jun, 2023

  • DynamoRep：基于轨迹的人口动态算法用于黑盒优化问题分类

    本文提出一种基于简单的描述性统计方法的特征提取方法，用于应用于机器学习模型分析优化算法。通过评估所生成的特征在黑盒优化基准测试套件中分类问题类的任务中的性能，我们得出了 DynamoRep 特征足以识别优化算法运行的问题类别的结论，实验结果表明，所有实验的平均分类准确率达到了 95%。

    Jun, 2023

  • 评估性能预测模型的泛化能力

    本研究提出了一种可以估算算法性能预测模型泛化能力的方法，并通过在基准测试套件之间训练预测模型来测试该方法的可行性，结果表明，特征空间中的泛化模式确实反映在性能空间中。

    May, 2023