論文の概要: Improving Automated Algorithm Selection by Advancing Fitness Landscape Analysis

• arxiv url: http://arxiv.org/abs/2312.03105v1
• Date: Tue, 5 Dec 2023 19:53:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-07 16:51:06.903225
• Title: Improving Automated Algorithm Selection by Advancing Fitness Landscape Analysis
• Title（参考訳）: フィットネスランドスケープ解析による自動アルゴリズム選択の改善
• Authors: Raphael Patrick Prager
• Abstract要約: 私は、将来の仕事の基盤となる基盤を強化するために、現在の課題を仕事の体で特定し、対処します。 ディープラーニングの台頭は、自動アルゴリズムの選択に十分な機会を提供する。 情報入力を他の問題に拡張する手法を提案する。
• 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: Optimization is ubiquitous in our daily lives. In the past, (sub-)optimal solutions to any problem have been derived by trial and error, sheer luck, or the expertise of knowledgeable individuals. In our contemporary age, there thankfully exists a plethora of different algorithms that can find solutions more reliably than ever before. Yet, choosing an appropriate algorithm for any given problem is challenging in itself. The field of automated algorithm selection provides various approaches to tackle this latest problem. This is done by delegating the selection of a suitable algorithm for a given problem to a complex computer model. This computer model is generated through the use of Artificial Intelligence. Many of these computer models rely on some sort of information about the problem to make a reasonable selection. Various methods exist to provide this informative input to the computer model in the form of numerical data. In this cumulative dissertation, I propose several improvements to the different variants of informative inputs. This in turn enhances and refines the current state-of-the-art of automated algorithm selection. Specifically, I identify and address current issues with the existing body of work to strengthen the foundation that future work builds upon. Furthermore, the rise of deep learning offers ample opportunities for automated algorithm selection. In several joint works, my colleagues and I developed and evaluated several different methods that replace the existing methods to extract an informative input. Lastly, automated algorithm selection approaches have been restricted to certain types of problems. I propose a method to extend the generation of informative inputs to other problem types and provide an outlook on further promising research directions.
• Abstract（参考訳）: 最適化は私たちの日常生活においてユビキタスです。 過去には、あらゆる問題に対する(準)最適解は、試行錯誤、運の良さ、あるいは知識のある個人の専門性によって導かれてきた。 現代の時代には、これまで以上に信頼性の高い解を見つけることのできるアルゴリズムが多々存在することはありがたい。 しかし、特定の問題に対して適切なアルゴリズムを選択することは、それ自体が困難である。 自動アルゴリズム選択の分野は、この問題に対処するための様々なアプローチを提供する。 これは、与えられた問題に適したアルゴリズムの選択を複雑なコンピュータモデルに委譲することで行われる。 このコンピュータモデルは人工知能を用いて生成される。 これらのコンピュータモデルの多くは、適切な選択を行うために問題に関するある種の情報に依存している。 この情報入力を数値データとしてコンピュータモデルに提供するための様々な方法が存在する。 この累積論文では、情報入力の異なる変種に対するいくつかの改善を提案する。 これにより、アルゴリズムの自動選択の現在の状態が向上し、洗練される。 具体的には、将来の作業が構築する基盤を強化するため、既存の作業体に関する現在の問題を特定し、対処します。 さらに、ディープラーニングの台頭は、アルゴリズムの自動選択に十分な機会を提供する。 いくつかの共同研究で、同僚と私は既存の方法に取って代わる様々な方法を開発し、評価しました。 最後に、アルゴリズム選択の自動化アプローチは特定の種類の問題に制限されている。 本稿では,情報入力の発生を他の問題タイプに拡張する手法を提案し,今後の研究の方向性を展望する。

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)
• Frugal Algorithm Selection [1.079960007119637]
  問題のすべてのインスタンスにうまく機能するアルゴリズムは存在しない。 本研究では、トレーニング対象のトレーニングインスタンスのサブセットを選択することで、このコストを削減する方法について検討する。 我々は,この問題を3つの方法でアプローチする: 能動的学習を用いて予測の不確実性に基づいて決定し, アルゴリズム予測器をタイムアウト予測器で拡張し, 徐々に増加するタイムアウトを用いてトレーニングデータを収集する。
  論文  参考訳（メタデータ） (2024-05-17T19:23:30Z)
• Problem-Solving Guide: Predicting the Algorithm Tags and Difficulty for Competitive Programming Problems [7.955313479061445]
  ほとんどのテック企業は、Google、Meta、Amazonなど、アルゴリズムの問題を解決する能力を必要としている。 本研究は,アルゴリズムタグをエンジニアや開発者の有用なツールとして予測する作業に対処する。 また,この問題の解決に要する時間を計算するための有用なガイダンスとして,アルゴリズム問題の難易度を予測することを検討する。
  論文  参考訳（メタデータ） (2023-10-09T15:26:07Z)
• 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 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)
• Bias in Multimodal AI: Testbed for Fair Automatic Recruitment [73.85525896663371]
  異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。 我々は、性別や人種の偏りを意識的に評価したマルチモーダルな合成プロファイルを用いて、自動求人アルゴリズムを訓練する。 我々の方法論と結果は、一般により公平なAIベースのツール、特により公平な自動採用システムを生成する方法を示している。
  論文  参考訳（メタデータ） (2020-04-15T15:58:05Z)
• 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。