Fugu-MT 論文翻訳(概要): On the evaluation of (meta-)solver approaches

論文の概要: On the evaluation of (meta-)solver approaches

arxiv url: http://arxiv.org/abs/2202.08613v1
Date: Thu, 17 Feb 2022 11:51:48 GMT
ステータス: 処理完了
システム内更新日: 2022-02-18 19:54:40.883395
Title: On the evaluation of (meta-)solver approaches
Title（参考訳）: メタ-)ソルバアプローチの評価について
Authors: Roberto Amadini, Maurizio Gabbrielli, Tong Liu, Jacopo Mauro
Abstract要約: メタソルバは、より優れたソルバを構築するために、多数の個別のソルバを利用する。メタソルバのパフォーマンスを評価するには、個々のソルバで一般的に使用されるメトリクスを単純に適用すればよい。
参考スコア（独自算出の注目度）: 6.643355842487082
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Meta-solver approaches exploits a number of individual solvers to potentially build a better solver. To assess the performance of meta-solvers, one can simply adopt the metrics typically used for individual solvers (e.g., runtime or solution quality), or employ more specific evaluation metrics (e.g., by measuring how close the meta-solver gets to its virtual best performance). In this paper, based on some recently published works, we provide an overview of different performance metrics for evaluating (meta-)solvers, by underlying their strengths and weaknesses.
Abstract（参考訳）: メタソルバアプローチは、よりよいソルバを構築するために、多数の個別のソルバを利用する。メタソルバの性能を評価するには、個々のソルバ(例えば、ランタイムやソリューションの品質)に典型的なメトリクスを採用するか、より具体的な評価指標(例えば、メタソルバが仮想的な最高のパフォーマンスにどの程度近いかを測定することで)を採用する。本稿では,最近発表されたいくつかの成果をもとに,その強みと弱みを基礎として,(メタ)ソルバを評価するためのさまざまなパフォーマンス指標の概要を示す。

関連論文リスト

Fast Adaptation with Kernel and Gradient based Meta Leaning [4.763682200721131]
モデルAメタラーニング(MAML)の内輪と外輪の両方を改善するための2つのアルゴリズムを提案する。最初のアルゴリズムは関数空間の最適化問題を再定義し、閉形式解を用いてモデルを更新する。外ループでは、内ループの各タスクの損失に重みを割り当てることで、第2のアルゴリズムがメタラーナーの学習を調整する。
論文参考訳（メタデータ） (2024-11-01T07:05:03Z)
Can Large Language Models be Trusted for Evaluation? Scalable Meta-Evaluation of LLMs as Evaluators via Agent Debate [74.06294042304415]
エージェント・ディベート支援型メタ評価フレームワークであるScaleEvalを提案する。フレームワークのコードをGitHubで公開しています。
論文参考訳（メタデータ） (2024-01-30T07:03:32Z)
Automatic Algorithm Selection for Pseudo-Boolean Optimization with Given Computational Time Limits [0.9831489366502301]
機械学習(ML)技術は、解決者のポートフォリオから最適な解法を自動選択するために提案されている。これらのメソッドはメタソルバと呼ばれ、問題のインスタンスと解決者のポートフォリオを入力として取ります。「Anytime」メタソルバは、指定された時間制限内で最高の性能の解決器を予測する。
論文参考訳（メタデータ） (2023-09-07T03:04:50Z)
Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文参考訳（メタデータ） (2022-01-28T05:53:28Z)
Does MAML Only Work via Feature Re-use? A Data Centric Perspective [19.556093984142418]
メタ学習型MAMLの表現機能に光を当てた経験的結果を提供する。機能再使用の低さをもたらす合成ベンチマークのファミリを定義することが可能であることを示す。メタラーニングを再考する上での課題は、数ショットの学習データセットとベンチマークの設計にあると推測する。
論文参考訳（メタデータ） (2021-12-24T20:18:38Z)
Evaluating Meta-Feature Selection for the Algorithm Recommendation Problem [0.0]
本稿では,アルゴリズムレコメンデーション問題のメタレベルにおける特徴選択と特徴抽出の実証分析について述べる。次元性低減法(DR)は一般に予測性能を向上しなかった。元のメタ機能の約20%を使用して高い予測性能を得ることができる。
論文参考訳（メタデータ） (2021-06-07T20:36:47Z)
BOML: A Modularized Bilevel Optimization Library in Python for Meta Learning [52.90643948602659]
BOMLはモジュール化された最適化ライブラリで、いくつかのメタ学習アルゴリズムを共通の双方向最適化フレームワークに統合する。さまざまなイテレーションモジュールとともに階層的な最適化パイプラインを提供し、メタ学習メソッドの主流カテゴリを解決するために使用できる。
論文参考訳（メタデータ） (2020-09-28T14:21:55Z)
Guarantees for Tuning the Step Size using a Learning-to-Learn Approach [18.838453594698166]
ステップサイズを2次的損失に調整する簡単な問題に対して、学習から学習までのアプローチに対してメタ最適化を保証する。メタ・グラディエント・オブジェクトを設計してメタ・グラディエントを束縛したままにしておく方法はあるが、バックプロパゲーションを用いて直接メタ・グラディエントを計算すれば、数値的な問題が発生する。また,メタオブジェクトを別個の検証セットで計算し,学習性能を確保する必要がある場合の特徴付けを行う。
論文参考訳（メタデータ） (2020-06-30T02:59:35Z)
Meta-Baseline: Exploring Simple Meta-Learning for Few-Shot Learning [79.25478727351604]
評価基準に基づいて,分類済みモデル全体に対するメタラーニング(メタラーニング)を提案する。我々は,この単純な手法が標準ベンチマークにおける最先端手法との競合性能を達成するのを観察する。
論文参考訳（メタデータ） (2020-03-09T20:06:36Z)
Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文参考訳（メタデータ） (2020-02-27T10:22:17Z)
Incremental Meta-Learning via Indirect Discriminant Alignment [118.61152684795178]
メタ学習のメタ学習段階において,段階的な学習の概念を発達させる。我々のアプローチは、完全なメタトレーニングセットでモデルをトレーニングするのと比べて、テスト時に好適に機能する。
論文参考訳（メタデータ） (2020-02-11T01:39:12Z)

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。