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

采用基于元表示的数据驱动技术对算法进行组合选择，实现多样性、代表性和非冗余的算法组合，并且相比传统贪婪方法，个性化组合在大多数情况下表现相当或稍好。

Oct, 2023

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

本文针对设计算法组合的问题，提出了并行考虑调度问题和机器学习问题的技术，并在布尔可满足性、01 整数规划和人工智能规划等领域取得了显著的实验性能提升，具有较强的理论保证。

Jun, 2012

本文通过采用在线多臂赌博策略，采用多种参数化的收购功能组合（其中最佳的是 GP-Hedge），优于使用单一收购方法，提高了排序算法的性能，并提供了算法性能的理论界限。

Sep, 2010

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

该篇论文提出了一种基于半定规划的自适应、可扩展模型的算法，用于优化机器学习、离散优化和贵重求值黑盒函数所需的组合结构，该算法在实验中表现优于组合和贝叶斯优化等其他方法。

Jun, 2018

本文提出了一种新的资产组合方法 —— 熵搜索组合（ESP），以解决 Bayesian 优化方法中的探索策略选择问题，并在实际和人工数据上的若干问题中证明了 ESP 方法的优越性和鲁棒性。

Jun, 2014

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

我们提出了一种扩展的 SnAKe 算法，可以同时处理实验成本和输入参数变化成本，包括最大允许输入变化和多目标设置。

Dec, 2023