Jun, 2024

黑盒单目标连续优化算法自动选择使用的元特征调查

PDF
TL;DR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。
algorithm selectioncontinuous black-box optimizationrepresentation learningautomated algorithm selectionmeta-feature representations
发现论文，激发创造
  • 自动算法选择：调研和视角

    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

  • 一种元启发式多目标交互感知特征选择方法

    本研究利用改进的 PAES 方法，采用高级概率方案以及一种新策略，较之现有的 state-of-the-art 的方法在多个真实数据集上显著提高了多目标特征选择的性能，并在探索解决方案的速度和可靠性方面取得了优异的表现。

    Nov, 2022

  • Auto-WEKA：分类算法的组合选择与超参数优化

    使用贝叶斯优化和特征选择技术，全自动选择机器学习算法和设置其超参数，在 21 个数据集的分类表现中达到了比标准选择 / 超参数优化方法更好的结果。

    Aug, 2012

  • 模型搜索科学化

    本研究提出了一种元模型方法，支持自动化超参数优化，以取代手动调试，实现易复制和公正的优化过程，并在三个不同的计算机视觉问题上获得了最新的结果。

    Sep, 2012

  • AutoOpt: 一种自动设计元启发式算法解决优化问题的方法 ological 框架

    本研究针对优化问题，提出了一种基于自动设计元启发式算法的方法学框架 AutoOpt，该框架包含具有良好性能的算法性能评估标准、算法设计决策空间的一般架构、设计算法所用的混合图和实数表示以及无模型方法来进行设计过程。实测结果表明，AutoOpt 是一种有效和高效的设计元启发式算法的方法学框架。

    Apr, 2022

  • PS-AAS: 黑盒优化中自动算法选择的投资组合选取

    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

  • 解锁算法特性的力量：算法选择的推广分析

    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。

    May, 2024

  • 基于多目标的深度学习参数优化调查

    本研究探讨了多目标优化策略与深度神经网络结合的有效性，通过案例研究证明了该方法在多种应用程序中生成预测和分析方面具有价值。

    May, 2023

  • 节约型算法选择

    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

  • 卷积神经网络分类中的自动学习算法选择

    本文介绍一种基于元学习的分类器自动选择算法，通过使用卷积神经网络直接学习表格数据的内在结构，来提高二元分类的性能，并在模拟和真实数据集上实验证明，这种方法优于基于元特征的传统两步方法。

    May, 2023