論文の概要: Towards Meta-Algorithm Selection
- arxiv url: http://arxiv.org/abs/2011.08784v1
- Date: Tue, 17 Nov 2020 17:27:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 16:01:39.300025
- Title: Towards Meta-Algorithm Selection
- Title（参考訳）: meta-algorithm 選択に向けて
- Authors: Alexander Tornede, Marcel Wever, Eyke H\"ullermeier
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 78.13985819417974
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Instance-specific algorithm selection (AS) deals with the automatic selection
of an algorithm from a fixed set of candidates most suitable for a specific
instance of an algorithmic problem class, where "suitability" often refers to
an algorithm's runtime. Over the past years, a plethora of algorithm selectors
have been proposed. As an algorithm selector is again an algorithm solving a
specific problem, the idea of algorithm selection could also be applied to AS
algorithms, leading to a meta-AS approach: Given an instance, the goal is to
select an algorithm selector, which is then used to select the actual algorithm
for solving the problem instance. We elaborate on consequences of applying AS
on a meta-level and identify possible problems. Empirically, we show that
meta-algorithm-selection can indeed prove beneficial in some cases. In general,
however, successful AS approaches have problems with solving the meta-level
problem.
- Abstract（参考訳）: インスタンス固有のアルゴリズム選択(AS)は、アルゴリズムのランタイムをしばしば「適合性」と呼ぶアルゴリズム問題クラスの特定のインスタンスに最も適した、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。
過去数年間、多くのアルゴリズムセレクタが提案されてきた。
アルゴリズムセレクタは特定の問題を解決するアルゴリズムであるため、アルゴリズム選択のアイデアをアルゴリズムとして適用することも可能であり、メタasアプローチへと繋がる。
メタレベルに適用することの結果を詳しく説明し、考えられる問題を特定する。
経験的に,メタアルゴリズムの選択が有益であることを示すケースもある。
しかし、一般にASアプローチの成功はメタレベル問題の解決に問題がある。
関連論文リスト
- 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) - 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) - 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) - 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。