May, 2024

一种基于严重程度原则的针对随机优化算法性能分析的新型排名方案

PDF
TL;DR提出了一种新的排名方案，利用基于鲁棒的自助法假设检验程序对多个单目标优化问题的算法进行排名，并考虑了算法的性能改进的大小和实际相关性，与传统假设检验相比，提出的排名方案具有可比性和许多额外的好处。
发现论文，激发创造
  • 投票与排序：基于社会选择理论的基准评估修订

    该论文提出了 Vote'n'Rank 框架用于在多任务基准测试中排名系统，并通过该方法在不同领域中比较多个系统的表现，从而得出结论和新的 insights。

    Oct, 2022

  • 一种评估特征选择和排序算法稳定性的信息论方法

    特征选择是处理高维数据时的关键步骤，本文提出了一种基于 Jensen Shannon 散度的信息论方法来衡量算法的稳定性，该方法能够适用于不同的算法输出结果，并具备校正变化、上下界和确定性选择条件等优良特性。通过在控制条件下生成的数据和与其他流行度量标准的比较，验证了该稳定性度量标准的实用性和优势。在实际问题中，该方法对于食物质量评估具有潜在的稳定性评估能力。

    Feb, 2024

  • 图上组合优化求解器稳健性评估的通用框架

    本文提出第一个对组合优化求解器的实用鲁棒性度量方法，并针对 14 个算法和 CO 问题进行了广泛的实验，在给定时间限制下，发现目前的最先进算法（如 Gurobi）在指定的难例上的性能下降了超过 20％，使人们对组合优化求解器的鲁棒性产生担忧。

    Dec, 2021

  • 随机排名：无标度离散函数的全局优化

    该研究提出了一个用于直接优化排名度量的高效框架 ——CatBoost，并介绍了两种重要的技术：随机平滑和基于部分积分的新梯度估计，证明了经典平滑方法可能会引入偏差，并提出了一个通用解决方案进行去偏差，该算法保证全局收敛性并在多个学习排名数据集上优于现有方法。

    Mar, 2020

  • 来自配对比较的主动排序及其在参数假设无法提供帮助时的应用

    文中提出了一种基于序列或主动排名的算法，该算法基于嘈杂的成对比较将一组 n 个项目排名并将这些项根据其得分分成预先指定大小的集合；本文针对这种算法进行了分析，证明了在某些情况下具有最优性并且不需要任何假设，比如在参数模型下进行的排名。

    Jun, 2016

  • 直接优化排序度量

    介绍了一种新的优化丢失功能的方法以提高 Web 页面排名和协同过滤的性能，并使用结构化估计在希尔伯特空间中进行直接优化，所提出的算法被证明是快速且表现良好。

    Apr, 2007

  • 挑战方案中分类器的比较

    研究了如何在挑战设置中评估不同竞争者（算法）的表现，分析了 MeOffendEs @ IberLEF 2021 比赛的结果，并提议通过重采样技术（引导）进行推理，以支持挑战组织者的决策。

    May, 2023

  • 学习排序中的计算和统计权衡

    本文对于大规模和异构化的现代数据集中的信息排序问题提出了一种可靠性保证的机制，通过有序的信息刻画，充分利用计算资源进行高效程度排名的学习并在特定数据结构下进行了验证。

    Aug, 2016

  • 贝叶斯优化方法的分层分析

    本文提出了两个度量贝叶斯优化方法性能的分类机制，并通过测试函数模仿超参数优化问题，解决特定性质的函数，如振荡行为或域边界最优。

    Mar, 2016

  • Prasatul Matrix：一种用于分析进化优化算法的直接对比方法

    该论文提出一种直接比较演化优化算法性能的方法，通过构建名为 Prasatul Matrix 的直接比较矩阵和五种性能评估指标，既可以比较多个算法的性能，也能评估每个算法的优化和可比性解决方案，同时使用 Wilcoxon 配对秩和检验来验证该方法的结果。

    Dec, 2022