Oct, 2023

学习排序中模拟退火特征选择的探索性研究

PDF
TL;DR我们研究了在学习排序领域中使用模拟退火这一流行的元启发式方法进行特征选择，包括不同的邻域选择策略、温度冷却方案和进度参数等，通过在五个公开基准数据集上进行实验对比，证明了我们提出的模型的有效性。
learning-to-rankfeature selectionsimulated annealingmeta-heuristic algorithmbenchmark datasets
发现论文，激发创造
  • 学习排名以合成规划启发式方法

    研究领域特定规划的学习启发式，通过学习排名问题，引入了新的方法来计算捕获近似计划中的时间交互的特征。在最近的国际规划竞赛问题上进行的实验表明，RankSVM 学习启发式优于原始启发式和通过普通回归学习的启发式。

    Aug, 2016

  • 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

  • 无限潜变量特征选择：基于概率潜图的排名方法

    本文提出了一种基于概率潜变量图的鲁棒性特征选择算法，它通过将特征子集视为图上的路径，在考虑所有特征子集的同时执行排名步骤，并将相关性建模为 PLSA 启发式生成过程中的潜在变量。实验表明，该方法在许多不同的场景和难度下都可获得最高性能水平，并在特征选择领域设定了一个新的最佳状态。

    Jul, 2017

  • 随机逼近渐进学习的模拟退火优化

    提出了一种基于退火优化和随机逼近的在线原型学习算法，可作为可解释和逐渐增长的竞争学习神经网络模型，用于监督，无监督和强化学习，并具有较小的超参数调整要求，预防局部极值和鲁棒性。

    Sep, 2022

  • AlphaRank: 一个用于排序和选择问题的人工智能方法

    介绍了 AlphaRank，一种用于解决固定预算排名和选择问题的人工智能方法。使用蒙特卡罗模拟的策略为顺序采样决策建立马尔可夫决策过程，并利用经典的排名和选择程序作为基本策略来高效学习随机动态规划的价值函数。通过使用深度强化学习在给定先验的情况下对神经网络模型进行离线预训练来加速在线样本分配。还提出了一个可并行计算的框架来处理大规模问题，通过 “分而治之” 和 “递归” 相结合，提高了可扩展性和效率。数值实验证明了 AlphaRank 相比基本策略的显著改进，这可能归因于 AlphaRank 在平均值、方差和相关性权衡上的卓越能力，而这些特性通常被其他现有策略所忽略。

    Feb, 2024

  • 深度排名集合用于超参数优化

    利用集成的神经网络元学习方法来优化超参数排序，取得了超参数优化方面的最新最优结果。

    Mar, 2023

  • 通过强化学习提高特征选择的分类性能

    本研究通过采用强化学习算法（特别是 Q 学习和 SARSA 学习）来解决特征选择的挑战，评估其在优化分类任务中的效果，并以乳腺癌科英布拉数据集（BCCDS）和三种归一化方法（最小 - 最大、l1 和 l2）作为实验验证。结果显示，QL@最小 - 最大和 SARSA@l2 分别达到最高的 87% 和 88% 的分类准确度，突出了基于强化学习的特征选择方法在优化分类任务中的有效性，提高了模型的准确性和效率。

    Mar, 2024

  • 基于排名学习和本地模型的进化算法解决高维昂贵多目标问题

    提出了一种基于分类器辅助排名学习和局部模型的多目标进化算法 (CLMEA)，它用于高维昂贵的多目标优化问题，实验结果表明该算法在基准问题和地热储层热采优化实施方面显示出优秀的性能，相对于现有的基于替代模型的多目标进化算法具有更好的性能。

    Apr, 2023

  • 基于本地能量分布的随机模拟退火超参数确定

    本文介绍一种基于局部能量分布的随机模拟退火超参数确定方法，该方法使用中心极限定理估计局部能量分布，并将正态分布应用于超参数确定，从而将复杂度从 O（n ^ 3）降低到 O（1），在最大割问题的 Gset 和 K2000 基准测试中得到了 98% 最优解的均值。

    Apr, 2023

  • 多分辨率在线确定性退火：一种层次和渐进式学习架构

    本研究提出了一种基于渐进分区多分辨率数据空间的多目标分层学习结构，能够通过两个时间量级的随机逼近算法来逐步增加学习架构的复杂性，获取任务下特定数据空间的最优划分。

    Dec, 2022