論文の概要: Benchmarking Feature-based Algorithm Selection Systems for Black-box
Numerical Optimization
- arxiv url: http://arxiv.org/abs/2109.08377v4
- Date: Tue, 26 Apr 2022 08:16:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 11:44:54.148360
- Title: Benchmarking Feature-based Algorithm Selection Systems for Black-box
Numerical Optimization
- Title（参考訳）: ブラックボックス数値最適化のためのベンチマーク機能に基づくアルゴリズム選択システム
- Authors: Ryoji Tanabe
- Abstract要約: 特徴に基づくアルゴリズムの選択は、目に見えない問題において最適化アルゴリズムのポートフォリオから最適なアルゴリズムを自動的に見つけることを目的としている。
本稿では,24個のノイズレスブラックボックス最適化ベンチマーク関数のアルゴリズム選択システムについて分析する。
アルゴリズム選択システムの性能は, 逐次最小二乗プログラミングをプリゾルバとして利用することにより, 大幅に向上できることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Feature-based algorithm selection aims to automatically find the best one
from a portfolio of optimization algorithms on an unseen problem based on its
landscape features. Feature-based algorithm selection has recently received
attention in the research field of black-box numerical optimization. However,
there is still room for analysis of algorithm selection for black-box
optimization. Most previous studies have focused only on whether an algorithm
selection system can outperform the single-best solver in a portfolio. In
addition, a benchmarking methodology for algorithm selection systems has not
been well investigated in the literature. In this context, this paper analyzes
algorithm selection systems on the 24 noiseless black-box optimization
benchmarking functions. First, we demonstrate that the first successful
performance measure is more reliable than the expected runtime measure for
benchmarking algorithm selection systems. Then, we examine the influence of
randomness on the performance of algorithm selection systems. We also show that
the performance of algorithm selection systems can be significantly improved by
using sequential least squares programming as a pre-solver. We point out that
the difficulty of outperforming the single-best solver depends on algorithm
portfolios, cross-validation methods, and dimensions. Finally, we demonstrate
that the effectiveness of algorithm portfolios depends on various factors.
These findings provide fundamental insights for algorithm selection for
black-box optimization.
- Abstract（参考訳）: 特徴に基づくアルゴリズムの選択は、ランドスケープ機能に基づいて、目に見えない問題に基づいて最適化アルゴリズムのポートフォリオから最適なものを自動的に見つけることを目的としている。
近年,ブラックボックス数値最適化の研究分野において,特徴量に基づくアルゴリズム選択が注目されている。
しかし、ブラックボックス最適化のためのアルゴリズム選択の解析の余地はまだ残っている。
これまでのほとんどの研究は、アルゴリズム選択システムがポートフォリオの単一解法よりも優れているかどうかにのみ焦点を当ててきた。
また,アルゴリズム選択システムのベンチマーク手法は文献ではあまり研究されていない。
本稿では,24個のノイズレスブラックボックス最適化ベンチマーク関数を用いたアルゴリズム選択システムの解析を行う。
まず,ベンチマークアルゴリズムの選択システムにおいて,最初の性能測定が期待される実行時測定よりも信頼性が高いことを示す。
そこで,アルゴリズム選択システムの性能に及ぼすランダム性の影響を検討した。
また,プリゾルバとして最小二乗プログラミングを用いることで,アルゴリズム選択システムの性能を大幅に向上できることを示す。
我々は, アルゴリズムポートフォリオ, クロス評価法, 次元によって, 最良解法を上回ることの難しさを指摘する。
最後に,アルゴリズムポートフォリオの有効性は様々な要因に依存することを示す。
これらの結果は,ブラックボックス最適化のためのアルゴリズム選択の基本的な洞察を与える。
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) - On Constructing Algorithm Portfolios in Algorithm Selection for Computationally Expensive Black-box Optimization in the Fixed-budget Setting [0.0]
本稿では,アルゴリズムポートフォリオ構築におけるサンプリングフェーズにおける関数評価の回数を考慮することの重要性を論じる。
その結果,提案手法により構築されたアルゴリズムのポートフォリオは,従来の手法よりも大幅に向上していることがわかった。
論文 参考訳（メタデータ） (2024-05-13T03:31:13Z) - 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) - Per-run Algorithm Selection with Warm-starting using Trajectory-based
Features [5.073358743426584]
インスタンスごとのアルゴリズム選択は、与えられた問題の場合、1つまたは複数の適切なアルゴリズムを推奨する。
提案手法は,実行毎のアルゴリズム選択を行うオンラインアルゴリズム選択方式を提案する。
提案手法は静的なインスタンスごとのアルゴリズム選択よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-04-20T14:30:42Z) - Trajectory-based Algorithm Selection with Warm-starting [2.3823600586675724]
本研究では,アルゴリズムの性能予測シナリオにおいて,性能回帰モデルとアルゴリズム選択モデルの品質と精度について検討する。
ウォームスタートを用いたトラジェクトリベースラン毎のアルゴリズム選択の有望な性能を示す。
論文 参考訳（メタデータ） (2022-04-13T14:00:55Z) - 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) - Towards Feature-Based Performance Regression Using Trajectory Data [0.9281671380673306]
ブラックボックス最適化は非常に活発な研究領域であり、毎年多くの新しいアルゴリズムが開発されている。
アルゴリズムの多様性はメタプロブレム(メタプロブレム):どのアルゴリズムが与えられた問題を選択するか?
過去の研究では、探索ランドスケープ分析に基づくインスタンスごとのアルゴリズム選択が、このメタプロブレムに取り組むための効率的な手段であることが示されている。
論文 参考訳（メタデータ） (2021-02-10T10:19:13Z) - 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) - Stepwise Model Selection for Sequence Prediction via Deep Kernel
Learning [100.83444258562263]
本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。
結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。
我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
論文 参考訳（メタデータ） (2020-01-12T09:42:19Z)
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。