論文の概要: Extreme Algorithm Selection With Dyadic Feature Representation
- arxiv url: http://arxiv.org/abs/2001.10741v2
- Date: Thu, 22 Oct 2020 07:56:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 20:43:43.815451
- Title: Extreme Algorithm Selection With Dyadic Feature Representation
- Title（参考訳）: dyadic特徴表現を用いた極端アルゴリズム選択
- Authors: Alexander Tornede, Marcel Wever, Eyke H\"ullermeier
- Abstract要約: 我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
- 参考スコア（独自算出の注目度）: 78.13985819417974
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Algorithm selection (AS) deals with selecting an algorithm from a fixed set
of candidate algorithms most suitable for a specific instance of an algorithmic
problem, e.g., choosing solvers for SAT problems. Benchmark suites for AS
usually comprise candidate sets consisting of at most tens of algorithms,
whereas in combined algorithm selection and hyperparameter optimization
problems the number of candidates becomes intractable, impeding to learn
effective meta-models and thus requiring costly online performance evaluations.
Therefore, here we propose the setting of extreme algorithm selection (XAS)
where we consider fixed sets of thousands of candidate algorithms, facilitating
meta learning. We assess the applicability of state-of-the-art AS techniques to
the XAS setting and propose approaches leveraging a dyadic feature
representation in which both problem instances and algorithms are described. We
find the latter to improve significantly over the current state of the art in
various metrics.
- Abstract（参考訳）: アルゴリズム選択(AS)は、アルゴリズム問題の特定のインスタンス、例えばSAT問題の解法を選択するのに最も適したアルゴリズムの固定された集合からアルゴリズムを選択することを扱う。
ASのベンチマークスイートは通常、少なくとも10のアルゴリズムからなる候補セットから構成されるが、アルゴリズムの選択とハイパーパラメータ最適化の問題を組み合わせると、候補の数は難解になり、効果的なメタモデルを学ぶのを妨げ、オンラインのパフォーマンス評価に費用がかかる。
そこで本研究では,数千の候補アルゴリズムの固定集合を考慮し,メタ学習を容易にする極端アルゴリズム選択(xas)の設定を提案する。
我々は、XAS設定に対する最先端AS技術の適用性を評価し、問題インスタンスとアルゴリズムの両方を記述するダイアド特徴表現を活用するアプローチを提案する。
後者は,様々な指標において,現在の技術状況よりも大幅に改善されている。
関連論文リスト
- A Survey of Meta-features Used for Automated Selection of Algorithms for Black-box Single-objective Continuous Optimization [4.173197621837912]
単目的連続ブラックボックス最適化の分野におけるアルゴリズム選択への重要な貢献について概説する。
自動アルゴリズム選択、構成、性能予測のための機械学習モデルについて検討する。
論文 参考訳（メタデータ） (2024-06-08T11:11:14Z) - Accelerating Cutting-Plane Algorithms via Reinforcement Learning
Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。
多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。
そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文 参考訳（メタデータ） (2023-07-17T20:11:56Z) - Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。
SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。
本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。
ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
論文 参考訳（メタデータ） (2021-09-13T18:10:52Z) - Algorithm Selection on a Meta Level [58.720142291102135]
本稿では,与えられたアルゴリズムセレクタの組み合わせに最適な方法を求めるメタアルゴリズム選択の問題を紹介する。
本稿では,メタアルゴリズム選択のための一般的な方法論フレームワークと,このフレームワークのインスタンス化として具体的な学習手法を提案する。
論文 参考訳（メタデータ） (2021-07-20T11:23:21Z) - Leveraging Benchmarking Data for Informed One-Shot Dynamic Algorithm
Selection [0.9281671380673306]
進化的アルゴリズムの適用における重要な課題は、目の前の問題に最も適したアルゴリズムインスタンスの選択である。
本研究では, 疑似ブール最適化問題の解法として, このような先行性能データを用いて, 動的アルゴリズム選択スキームを推論する方法について分析する。
論文 参考訳（メタデータ） (2021-02-12T12:27:02Z) - Towards Meta-Algorithm Selection [78.13985819417974]
インスタンス固有のアルゴリズム選択(AS)は、固定された候補集合からのアルゴリズムの自動選択を扱う。
メタアルゴリズムの選択は、いくつかのケースで有益であることを示す。
論文 参考訳（メタデータ） (2020-11-17T17:27:33Z) - Run2Survive: A Decision-theoretic Approach to Algorithm Selection based
on Survival Analysis [75.64261155172856]
生存分析(SA)は、自然に検閲されたデータをサポートし、アルゴリズムランタイムの分散モデルを学習するためにそのようなデータを使用する適切な方法を提供する。
我々は、アルゴリズム選択に対する洗練された決定論的アプローチの基礎として、そのようなモデルを活用し、Run2Surviveを疑う。
標準ベンチマークASlibによる広範な実験では、我々のアプローチは競争力が高く、多くの場合、最先端のASアプローチよりも優れていることが示されている。
論文 参考訳（メタデータ） (2020-07-06T15:20:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。