論文の概要: sunny-as2: Enhancing SUNNY for Algorithm Selection

• arxiv url: http://arxiv.org/abs/2009.03107v3
• Date: Tue, 12 Oct 2021 09:49:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 02:22:16.204247
• Title: sunny-as2: Enhancing SUNNY for Algorithm Selection
• Title（参考訳）: sunny-as2: アルゴリズム選択のためのSUNNYの強化
• Authors: Tong Liu, Roberto Amadini, Jacopo Mauro, Maurizio Gabbrielli
• Abstract要約: 本稿では,ASlibシナリオに対するSUNNYに基づくアルゴリズムセレクタであるSnow-as2を提案する。 我々は,ASのシナリオによって,日当たり2のパフォーマンスがいかに異なるかを示し,その強みと弱点について論じる。
• 参考スコア（独自算出の注目度）: 6.643355842487082
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: SUNNY is an Algorithm Selection (AS) technique originally tailored for Constraint Programming (CP). SUNNY enables to schedule, from a portfolio of solvers, a subset of solvers to be run on a given CP problem. This approach has proved to be effective for CP problems, and its parallel version won many gold medals in the Open category of the MiniZinc Challenge -- the yearly international competition for CP solvers. In 2015, the ASlib benchmarks were released for comparing AS systems coming from disparate fields (e.g., ASP, QBF, and SAT) and SUNNY was extended to deal with generic AS problems. This led to the development of sunny-as2, an algorithm selector based on SUNNY for ASlib scenarios. A preliminary version of sunny-as2 was submitted to the Open Algorithm Selection Challenge (OASC) in 2017, where it turned out to be the best approach for the runtime minimization of decision problems. In this work, we present the technical advancements of sunny-as2, including: (i) wrapper-based feature selection; (ii) a training approach combining feature selection and neighbourhood size configuration; (iii) the application of nested cross-validation. We show how sunny-as2 performance varies depending on the considered AS scenarios, and we discuss its strengths and weaknesses. Finally, we also show how sunny-as2 improves on its preliminary version submitted to OASC.
• Abstract（参考訳）: SUNNYはアルゴリズム選択(AS)技術で、元々は制約プログラミング(CP)向けに開発された。 SUNNYは、解のポートフォリオから、あるCP問題で実行される解のサブセットをスケジュールすることができる。 このアプローチはCP問題に有効であることが証明され、その並列バージョンはCP解決者の国際競争であるミニジンクチャレンジのオープンカテゴリーで多くの金メダルを獲得した。 2015年、ASlibベンチマークは、異なるフィールド(ASP、QBF、SATなど)から来るASシステムを比較するためにリリースされ、SUNNYは一般的なAS問題に対処するために拡張された。 これにより、ASlibシナリオ用のSUNNYに基づくアルゴリズムセレクタであるSnow-as2が開発された。 sun-as2の予備バージョンは2017年にopen algorithm selection challenge(oasc)に提出され、決定問題のランタイム最小化のための最善のアプローチであることが判明した。 本稿では,sunny-as2の技術進歩について述べる。 (i)ラッパーに基づく特徴選択 二 特徴選択と近隣の大きさ構成を組み合わせた訓練アプローチ (三)ネストクロスバリデーションの適用 我々は,ASのシナリオによって,日当たり2のパフォーマンスがいかに異なるかを示し,その強みと弱点について論じる。 最後に、OASCに提出された予備バージョンにおいて、Snow-as2がいかに改善されているかを示す。

関連論文リスト

• Approximate Dec-POMDP Solving Using Multi-Agent A* [8.728372851272727]
  有限水平DEC-POMDPに対するポリシを計算するためのA*アルゴリズムを提案する。 私たちのゴールは、より大きな地平線に対するスケーラビリティを優先して、最適性を犠牲にすることです。
  論文  参考訳（メタデータ） (2024-05-09T10:33:07Z)
• Forward LTLf Synthesis: DPLL At Work [1.370633147306388]
  有限トレース(LTLf)上での線形時間論理の合成のための新しいAND-ORグラフ探索フレームワークを提案する。 このようなフレームワーク内では、Davis-Putnam-Logemann-Loveland (DPLL)アルゴリズムにインスパイアされたプロシージャを考案し、次に利用可能なエージェント環境の動きを生成する。 また,状態公式の構文的等価性に基づく探索ノードの等価性チェックも提案する。
  論文  参考訳（メタデータ） (2023-02-27T14:33:50Z)
• Two-sided Competing Matching Recommendation Markets With Quota and Complementary Preferences Constraints [13.069703665055084]
  本稿では,両面のオンラインマッチング市場において,補完的な嗜好とクォータ制約を伴う問題に対処する新しい推奨アルゴリズムを提案する。 混合クォータと相補的な選好制約の存在は、マッチングプロセスの不安定性を引き起こす。 バンドレート学習の枠組みとしてこの問題を定式化し,マルチエージェント多型トンプソンサンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-24T18:54:29Z)
• HARRIS: Hybrid Ranking and Regression Forests for Algorithm Selection [75.84584400866254]
  両アプローチの強みを両アプローチの弱さを緩和しつつ組み合わせ, 特殊林を利用した新しいアルゴリズムセレクタを提案する。 HARRISの決定は、ハイブリッドランキングと回帰損失関数に基づいて最適化された木を作成する森林モデルに基づいている。
  論文  参考訳（メタデータ） (2022-10-31T14:06:11Z)
• 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)
• Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
  通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。 我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。 我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
  論文  参考訳（メタデータ） (2021-06-08T15:54:44Z)
• Exploration in two-stage recommender systems [79.50534282841618]
  2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。 このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。 そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
  論文  参考訳（メタデータ） (2020-09-01T16:52:51Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
  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。
  論文  参考訳（メタデータ） (2020-01-29T09:40:58Z)

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。