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
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。
Feb, 2023
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。
Nov, 2018
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
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
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
通过利用物理学中的能量景观方法,在机器学习模型中识别有意义的特征来解释模型决策,为使机器学习在医学、网络安全、自动驾驶等领域得到广泛采用提供了一种新途径。
Apr, 2023
通过使用图数据挖掘技术,本文提出了利用局部最优网络作为适应度景观的代理,以定性和定量分析探索这些景观中嵌入的潜在拓扑结构信息,从而解决了实际情况中推断相似性的困难。通过在三个经典组合优化问题上进行大规模实证实验,我们获得了支持同类景观之间在邻近维度存在结构相似性的确凿证据,并探究了不同问题类之间的景观关系。
Dec, 2023
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。
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