論文の概要: To Switch or not to Switch: Predicting the Benefit of Switching between Algorithms based on Trajectory Features

• arxiv url: http://arxiv.org/abs/2302.09075v1
• Date: Fri, 17 Feb 2023 15:49:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-21 20:25:26.858384
• Title: To Switch or not to Switch: Predicting the Benefit of Switching between Algorithms based on Trajectory Features
• Title（参考訳）: 切り替える、または切り替えない: 軌道特徴に基づくアルゴリズム間の切り替えの利点を予測する
• Authors: Diederick Vermetten, Hao Wang, Kevin Sim, Emma Hart
• Abstract要約: 動的アルゴリズムの選択は、探索中にそれらを切り替えることで、複数の最適化アルゴリズムの相補性を活用することを目的としている。 1つの有望なアプローチは、ランドスケープ機能を使用して、ラン毎のトラジェクトリベースのスイッチを可能にすることである。 局所的な景観特徴を捉えるためにスライディングウィンドウを使用することで、その時点でのスイッチが将来のパフォーマンスに有益かどうかを予測できる情報を含むことを示す。
• 参考スコア（独自算出の注目度）: 4.024499269451057
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic algorithm selection aims to exploit the complementarity of multiple optimization algorithms by switching between them during the search. While these kinds of dynamic algorithms have been shown to have potential to outperform their component algorithms, it is still unclear how this potential can best be realized. One promising approach is to make use of landscape features to enable a per-run trajectory-based switch. Here, the samples seen by the first algorithm are used to create a set of features which describe the landscape from the perspective of the algorithm. These features are then used to predict what algorithm to switch to. In this work, we extend this per-run trajectory-based approach to consider a wide variety of potential points at which to perform the switch. We show that using a sliding window to capture the local landscape features contains information which can be used to predict whether a switch at that point would be beneficial to future performance. By analyzing the resulting models, we identify what features are most important to these predictions. Finally, by evaluating the importance of features and comparing these values between multiple algorithms, we show clear differences in the way the second algorithm interacts with the local landscape features found before the switch.
• Abstract（参考訳）: 動的アルゴリズム選択は、探索中にそれらを切り替えることで、複数の最適化アルゴリズムの相補性を活用することを目的としている。 この種の動的アルゴリズムは、コンポーネントアルゴリズムよりも優れる可能性があることが示されているが、このポテンシャルがどのように実現されるのかはまだ不明である。 有望なアプローチの1つは、ランドスケープ機能を使用して軌道毎のスイッチを有効にすることだ。 ここで、第1のアルゴリズムで見られるサンプルを使用して、そのアルゴリズムの観点から風景を記述する一連の特徴を作成する。 これらの機能は、どのアルゴリズムに切り替えるべきかを予測するために使用される。 本研究では,このトラジェクトリ毎のアプローチを拡張して,スイッチを実行するさまざまなポテンシャル点について検討する。 局所的な景観特徴を捉えるためにスライディングウィンドウを使用することで、その時点でのスイッチが将来のパフォーマンスに有益かどうかを予測できる情報を含むことを示す。 得られたモデルを解析することにより、これらの予測に最も重要な特徴を特定する。 最後に、特徴の重要性を評価し、これらの値を複数のアルゴリズム間で比較することにより、第2のアルゴリズムがスイッチ前のローカルランドスケープ機能とどのように相互作用するかを明確にする。

関連論文リスト

• Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
  本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。 また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
  論文  参考訳（メタデータ） (2023-08-28T12:55:13Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• 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)
• An automated threshold Edge Drawing algorithm [0.0]
  自動しきい値選択ステップを含むエッジ描画アルゴリズムを提案する。 提案した自動しきい値方式の利点を維持するために, 結果が提示される。
  論文  参考訳（メタデータ） (2021-10-11T09:53:18Z)
• Two novel features selection algorithms based on crowding distance [0.0]
  提案アルゴリズムは,多目的最適化に使用される群集距離を指標として特徴量をソートする。 実験結果は,提案アルゴリズムの有効性と堅牢性を示した。
  論文  参考訳（メタデータ） (2021-05-11T17:27:56Z)
• Selection-Expansion: A Unifying Framework for Motion-Planning and Diversity Search Algorithms [69.87173070473717]
  本稿では,2つの多様性探索アルゴリズム,ノベルティ探索アルゴリズムとゴール探索処理アルゴリズムの特性について検討する。 mpアルゴリズムとの関係は、ポリシーパラメータ空間と結果空間の間のマッピングの滑らかさ、あるいは滑らかさの欠如が検索効率において重要な役割を担っていることを示している。
  論文  参考訳（メタデータ） (2021-04-10T13:52:27Z)
• Few-shot Sequence Learning with Transformers [79.87875859408955]
  少数のトレーニング例で提供される新しいタスクの学習を目的とした少数のショットアルゴリズム。 本研究では,データポイントがトークンのシーケンスである設定において,少数ショット学習を行う。 トランスフォーマーに基づく効率的な学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-17T12:30:38Z)
• E2E-FS: An End-to-End Feature Selection Method for Neural Networks [0.3222802562733786]
  EndtoEnd Feature Selection (E2FS) と呼ばれる新しい選択アルゴリズムを提案する。 アルゴリズムは,ラッソ法と同様,勾配降下法を用いて解く。 厳しい制約はあるものの、実験結果は、このアルゴリズムがどんな学習モデルでも利用できることを示している。
  論文  参考訳（メタデータ） (2020-12-14T16:19:25Z)
• A Systematic Characterization of Sampling Algorithms for Open-ended Language Generation [71.31905141672529]
  本稿では,自己回帰型言語モデルに広く採用されている祖先サンプリングアルゴリズムについて検討する。 エントロピー低減, 秩序保存, 斜面保全の3つの重要な特性を同定した。 これらの特性を満たすサンプリングアルゴリズムのセットが,既存のサンプリングアルゴリズムと同等に動作することがわかった。
  論文  参考訳（メタデータ） (2020-09-15T17:28:42Z)
• Optimization of Graph Total Variation via Active-Set-based Combinatorial Reconditioning [48.42916680063503]
  本稿では,この問題クラスにおける近位アルゴリズムの適応型事前条件付け手法を提案する。 不活性エッジのネスト・フォレスト分解により局所収束速度が保証されることを示す。 この結果から,局所収束解析は近似アルゴリズムにおける可変指標選択の指針となることが示唆された。
  論文  参考訳（メタデータ） (2020-02-27T16:33:09Z)

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。