- AAAI加权采样的联合模型选择和超参数调优
本研究探究了针对大型超参数空间的机器学习算法选择和超参数调优问题,并提出了一种新的抽样分布方法,以便与现有的机器学习方法进行比较和评估。我们发现,采用该抽样方法在所有情况下均可提高性能。
- IJCAI级联算法选择和超参数优化的极值区间上置信上界赌博机
本文提出一种级联方法来解决自动机器学习任务中的算法选择和超参数优化问题。在这种方法中,通过在超参数优化层级上使用搜索过程,同时在算法选择层级上运行赌博策略来分配预算,提出了一种名为 ER-UCB 的极值区间上置信界界(Extreme-Reg - CMA-ES 变体的在线选择
本研究针对进化计算领域中的算法选择问题,通过提出一种自适应 CMA-ES 算法的选择方式并测试,取得了比之前研究更稳健的结果,证明了模块选择对于不同优化问题的关键作用。
- 机器学习中的模型评估、模型选择和算法选择
本文综述了机器学习中模型评估、模型选择和算法选择等三个子任务的不同技术,并讨论了每种技术的主要优缺点,给出了推荐实践建议。重点介绍了常见的模型评估和选择技术,如保留集方法和交叉验证技术,并给出了实用技巧。同时提出了多种算法比较策略,包括 5 - OBOE:自动机器学习模型选择的协同过滤
本文介绍一种基于协同过滤的自动机器学习方法 OBOE,它可以在时间限制内选择合适的算法和超参数,并在有限数量的模型拟合或总时间预算的约束下找到良好的模型,相比其他竞争方法,OBOE 有更快的处理速度和更好的性能。
- 在 FPGA 加速的嵌入式设备上实现 ELAS 实时稠密立体匹配
针对低功耗实时机器人领域,提出了一种基于 FPGA 加速的 ELAS 算法适配方案,在保留原有算法性能特性的前提下,利用 CPU/FPGA SoC 的组合,极大地提高了算法计算速度和功耗表现,为低功耗实时系统下更复杂、多样化算法的加速提供了 - Meta-QSAR: 应用元学习技术于药物设计和发现的大规模应用
本文探究定量构效关系学习作为元学习的一个案例研究,研究了机器学习方法和算法选择对于药物开发的重要性,发现元学习方法比单个机器学习方法(例如随机森林)在药物开发中性能更好。
- 通过比较干预分布评估因果模型
通过测量干预估计的准确度来评估因果模型,并比较它与结构测量的结果,结果表明,结构测量往往与干预估计的准确度相差较远,因此建议使用干预分布的方法来评估因果模型,实证结果证实了结构测量在参数优化和算法选择上提供了误导。
- 一种应用特定算法选择的 PAC 方法
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。
- 算法选择的 ICON 挑战
介绍 ICON Challenge 关于 Algorithm Selection 的结果。
- ASlib: 用于算法选择的基准库
文章提出了一个能够表示不同场景的算法选择标准格式和一个包含文献中日益增多的数据集的存储库,使用这个标准还可建立和评估算法选择模型,从而得到显著的性能改进。
- 多引擎 ASP 求解器 ME-ASP:进展报告
这篇研究报告介绍了 MEASP,一个多引擎求解器,它采用基于分类的算法选择技术,从黑匣子引擎的一组现成异构 ASP 求解器中选择一个。实验结果显示,MEASP 的新实现比以前的版本快得多,并且多引擎方法也可以用于非 ground 程序的求解 - DASH: 动态切换启发式方法
本文提出了一种选择最适合子问题的启发式算法的方法,并实验验证在各种 MIP 示例中,该方法相较于传统的使用单一启发式算法的算法选择方法,在目标值上表现更优。
- 组合搜索问题的算法选择:综述
该论文综述了算法选择问题的研究现状及其在组合搜索问题中的性能提升,归纳了目前算法选择的多种方法并且讨论了使用这些方法的不同方向,最后总结出未来研究的方向。
- 算法选择作为带无限损失的赌博机问题
本文提出一种将算法选择表示为部分信息的赌博问题的简单框架,并将现有的求解器适应于该游戏,证明了其期望遗憾的边界,该算法选择技术的也适用于此。