Jun, 2023

DynamoRep：基于轨迹的人口动态算法用于黑盒优化问题分类

PDF
TL;DR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%。
发现论文，激发创造
  • 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

  • TransOpt：用于优化问题分类的基于 Transformer 的表示学习

    我们提出了一种使用基于 Transformer 的神经网络架构对优化问题实例进行表示的方法，并对 Black-box Optimization Benchmarking（BBOB）基准测试中的 24 个问题类别进行了问题分类的训练。我们表明，基于 Transformer 的方法可以以 70％-80％的准确率识别不同问题维度的问题类别，这表明了在获取黑盒优化问题的表示方面应用 Transformer 架构的可能性。

    Nov, 2023

  • 黑盒优化的扩散模型

    该论文介绍了一种新的离线黑盒优化的逆向方法 ——DDOM，基于扩散模型，它能够通过学习条件生成模型来进行优化，其在 Design-Bench 基准测试中的表现与最先进的基线相媲美。

    Jun, 2023

  • 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

  • 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

  • Diff-BBO：基于扩散的黑盒优化的逆向建模

    基于扩散模型的逆向建模用于黑盒优化问题，通过设计新颖的获取函数（UaE），它利用条件扩散模型的不确定性在设计空间中生成样本，实现了在线黑盒优化，并在实验中证明了其优越性能。

    Jun, 2024

  • 数据驱动的黑箱优化扩散模型

    基于扩散模型的条件采样方法，在黑盒优化中生成接近最佳解且保留设计的潜在结构，通过建立理论模型和进行实验验证，证明了奖励导向扩散模型在黑盒优化中的效率和准确性。

    Mar, 2024

  • 自优化特征转换

    提出了一种自优化框架，用于固有特征空间的转换，以增强机器学习模型的泛化能力，通过使用强化学习来改善性能并比较不同的训练策略。

    Sep, 2022

  • 基于可操作特征调整的树形集成模型可解释预测

    本文提供一种利用基于树的集成分类器内部的技术来将真负实例转化为正例的推荐算法，通过在线广告应用程序证明了方法的有效性。

    Jun, 2017

  • 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