論文の概要: HARRIS: Hybrid Ranking and Regression Forests for Algorithm Selection

• arxiv url: http://arxiv.org/abs/2210.17341v1
• Date: Mon, 31 Oct 2022 14:06:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 18:30:27.026024
• Title: HARRIS: Hybrid Ranking and Regression Forests for Algorithm Selection
• Title（参考訳）: HARRIS:アルゴリズム選択のためのハイブリッドランキングと回帰フォレスト
• Authors: Lukas Fehring, Jonas Hanselle, Alexander Tornede
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 75.84584400866254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: It is well known that different algorithms perform differently well on an instance of an algorithmic problem, motivating algorithm selection (AS): Given an instance of an algorithmic problem, which is the most suitable algorithm to solve it? As such, the AS problem has received considerable attention resulting in various approaches - many of which either solve a regression or ranking problem under the hood. Although both of these formulations yield very natural ways to tackle AS, they have considerable weaknesses. On the one hand, correctly predicting the performance of an algorithm on an instance is a sufficient, but not a necessary condition to produce a correct ranking over algorithms and in particular ranking the best algorithm first. On the other hand, classical ranking approaches often do not account for concrete performance values available in the training data, but only leverage rankings composed from such data. We propose HARRIS- Hybrid rAnking and RegRessIon foreSts - a new algorithm selector leveraging special forests, combining the strengths of both approaches while alleviating their weaknesses. HARRIS' decisions are based on a forest model, whose trees are created based on splits optimized on a hybrid ranking and regression loss function. As our preliminary experimental study on ASLib shows, HARRIS improves over standard algorithm selection approaches on some scenarios showing that combining ranking and regression in trees is indeed promising for AS.
• Abstract（参考訳）: アルゴリズム選択の動機付け(英: motivating algorithm selection, as)とは、アルゴリズムの問題のインスタンスが与えられたとき、その解くのに最も適したアルゴリズムである。 このように、as問題は様々なアプローチでかなりの注目を集めており、その多くが回帰問題やランキング問題を内部で解決している。 これら2つの定式化は非常に自然な方法でASに取り組むことができるが、それらはかなり弱い。 一方、インスタンス上のアルゴリズムのパフォーマンスを正確に予測することは、アルゴリズムよりも正しいランキングを作り、特に最も優れたアルゴリズムをランク付けするのには十分だが、必要な条件ではない。 一方で、古典的なランキングアプローチは、トレーニングデータで利用可能な具体的なパフォーマンス値を考慮せず、そのようなデータから得られるランキングのみを活用する。 本稿では,HARRIS- Hybrid rAnkingとRegRessIon foreSts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分割に基づいて木を作成する森林モデルに基づいている。 ASLibに関する予備的な実験的研究が示すように、HARRISはいくつかのシナリオにおいて標準的なアルゴリズム選択アプローチよりも改善し、木でのランキングと回帰の組み合わせがASにとって本当に有望であることを示す。

関連論文リスト

• A Novel Ranking Scheme for the Performance Analysis of Stochastic Optimization Algorithms using the Principles of Severity [9.310464457958844]
  複数の単目的最適化問題に対してアルゴリズムをランク付けする新しいランキング方式を提案する。 アルゴリズムの結果は、ロバストなブートストラップに基づく仮説テスト手法を用いて比較される。
  論文  参考訳（メタデータ） (2024-05-31T19:35:34Z)
• Improved Learning-Augmented Algorithms for the Multi-Option Ski Rental Problem via Best-Possible Competitive Analysis [0.1529342790344802]
  マルチオプションスキーレンタル問題に対する学習向上アルゴリズムを提案する。 提案アルゴリズムは,この問題に対して最も有効なランダム化競合アルゴリズムに基づいている。
  論文  参考訳（メタデータ） (2023-02-14T05:05:03Z)
• Heuristic Search for Rank Aggregation with Application to Label Ranking [16.275063634853584]
  本稿では,階層化問題を解くために,効果的なハイブリッド進化的ランキングアルゴリズムを提案する。 このアルゴリズムは、コンコーダントペアに基づくセマンティッククロスオーバーと、効率的な漸進的評価手法によって強化された遅延受容局所探索を特徴とする。 アルゴリズムを評価するために実験が行われ、ベンチマークインスタンス上での高い競争性能を示す。
  論文  参考訳（メタデータ） (2022-01-11T11:43:17Z)
• Regression with Missing Data, a Comparison Study of TechniquesBased on Random Forests [0.0]
  本稿では,サンプルの欠落値を扱うために,新しいランダムフォレストアルゴリズムの実用的メリットを示す。 MCAR、MAR、MNARなどの欠落した値機構を考慮し、シミュレーションする。 本稿では,2次誤差とバイアスオブユールアルゴリズムについて検討し,文献において最もよく使われている無作為な森林アルゴリズムと比較する。
  論文  参考訳（メタデータ） (2021-10-18T14:02:15Z)
• 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)
• Double Coverage with Machine-Learned Advice [100.23487145400833]
  オンラインの基本的な$k$-serverの問題を学習強化環境で研究する。 我々のアルゴリズムは任意の k に対してほぼ最適の一貫性-破壊性トレードオフを達成することを示す。
  論文  参考訳（メタデータ） (2021-03-02T11:04:33Z)
• 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)
• 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。