論文の概要: instancespace: a Python Package for Insightful Algorithm Testing through Instance Space Analysis
- arxiv url: http://arxiv.org/abs/2501.16646v1
- Date: Tue, 28 Jan 2025 02:29:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-29 16:42:20.533689
- Title: instancespace: a Python Package for Insightful Algorithm Testing through Instance Space Analysis
- Title（参考訳）: instancespace: インスタンス空間分析によるインサイトフルアルゴリズムテストのためのPythonパッケージ
- Authors: Yusuf Berdan Güzel, Kushagra Khare, Nathan Harvey, Kian Dsouza, Dong Hyeog Jang, Junheng Chen, Cheng Ze Lam, Mario Andrés Muñoz,
- Abstract要約: インスタンス空間分析は、様々な問題領域にわたるアルゴリズムのパフォーマンスを評価する手法である。
本稿では,インスタンス空間解析のための自動パイプラインを実装したPythonパッケージであるインスタンス空間を紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Instance Space Analysis is a methodology to evaluate algorithm performance across diverse problem fields. Through visualisation and exploratory data analysis techniques, Instance Space Analysis offers objective, data-driven insights into the diversity of test instances, algorithm behaviour, and algorithm strengths and weaknesses. As such, it supports automated algorithm selection and synthetic test instance generation, increasing testing reliability in optimisation, machine learning, and scheduling fields. This paper introduces instancespace, a Python package that implements an automated pipeline for Instance Space Analysis. This package supports research by streamlining the testing process, providing unbiased metrics, and facilitating more informed algorithmic design and deployment decisions, particularly for complex and safety-critical systems.
- Abstract（参考訳）: インスタンス空間分析は、様々な問題領域にわたるアルゴリズムのパフォーマンスを評価する手法である。
ビジュアライゼーションと探索的なデータ分析技術を通じて、インスタンススペース分析は、テストインスタンスの多様性、アルゴリズムの振る舞い、アルゴリズムの強度と弱点に関する客観的、データ駆動的な洞察を提供する。
そのため、自動アルゴリズムの選択と合成テストインスタンス生成をサポートし、最適化、機械学習、スケジューリングフィールドにおけるテストの信頼性を高める。
本稿では,インスタンス空間解析のための自動パイプラインを実装したPythonパッケージであるインスタンス空間を紹介する。
このパッケージは、テストプロセスを合理化し、バイアスのないメトリクスを提供し、特に複雑で安全なシステムにおいて、より詳細なアルゴリズム設計とデプロイメントの決定を容易にすることで研究をサポートする。
関連論文リスト
- Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [61.580419063416734]
最近の構造化学習手法のストリームは、様々な最適化問題に対する技術の実践的状態を改善している。
鍵となる考え方は、インスタンスを別々に扱うのではなく、インスタンス上の統計分布を利用することだ。
本稿では,最適化を容易にし,一般化誤差を改善するポリシを摂動することでリスクを円滑にする手法について検討する。
論文 参考訳（メタデータ） (2024-07-24T12:00:30Z) - Exploratory Landscape Analysis for Mixed-Variable Problems [0.7252027234425334]
決定空間が連続変数、バイナリ変数、整数変数、カテゴリー変数の混合である混合変数問題に対する探索的景観特徴を計算する手段を提供する。
実用化のためのメリットをさらに強調するため,自動アルゴリズム選択研究を設計・実施する。
トレーニングされたアルゴリズムセレクタは、すべてのベンチマーク問題に対して、単一のベストと仮想ベストのギャップを57.5%縮めることができる。
論文 参考訳（メタデータ） (2024-02-26T10:19:23Z) - Algorithm Instance Footprint: Separating Easily Solvable and Challenging
Problem Instances [0.7046417074932257]
ブラックボックス最適化では、アルゴリズムインスタンスが問題インスタンスのセットで動作し、他のインスタンスにフェールする理由を理解することが不可欠である。
本稿では,解き易い問題インスタンスの集合と解き易い問題インスタンスの集合からなるアルゴリズムインスタンスフットプリントの定式化手法を提案する。
論文 参考訳（メタデータ） (2023-06-01T09:28:06Z) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳（メタデータ） (2023-04-12T14:51:47Z) - Towards Automated Imbalanced Learning with Deep Hierarchical
Reinforcement Learning [57.163525407022966]
不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。
オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。
我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
論文 参考訳（メタデータ） (2022-08-26T04:28:01Z) - A Simple and Efficient Sampling-based Algorithm for General Reachability
Analysis [32.488975902387395]
汎用リーチビリティ分析は、ニューラルネットワークの検証から動的システムの安全性分析まで、アプリケーションにおいて非常に難しい問題である。
入力をサンプリングし、真の到達可能なセットで画像を評価し、その$epsilon$padded convex hullをセット推定器として利用することにより、このアルゴリズムは一般的な問題設定に適用でき、実装も簡単である。
この分析はアルゴリズム設計に、高い確率で$epsilon$-close reachable set approximationを得るよう通知する。
ニューラルネットワーク検証タスクでは、このアプローチが以前の作業よりも正確で、はるかに高速であることを示す。
論文 参考訳（メタデータ） (2021-12-10T18:56:16Z) - Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。
提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
論文 参考訳（メタデータ） (2021-05-23T19:21:55Z) - Towards Large Scale Automated Algorithm Design by Integrating Modular
Benchmarking Frameworks [0.9281671380673306]
本稿では,アルゴリズムフレームワークであるParadisEOと,自動アルゴリズム設定ツール irace と実験プラットフォーム IOHknownr の効率性を示す最初の概念実証例を提案する。
パイプラインの主な利点は、高速な評価時間、豊富なデータセットを生成する可能性、そしてサンプリングベースの最適化の非常に幅広いクラスをベンチマークするのに使用できる標準化されたインターフェースである。
論文 参考訳（メタデータ） (2021-02-12T10:47:00Z) - Instance Space Analysis for the Car Sequencing Problem [4.822624702094427]
インスタンスが解決しにくい特性について検討する。
カーシーケンシング問題を解決するための6つのアルゴリズムの性能を比較する。
その結果,新しいアルゴリズムは最先端であることがわかった。
論文 参考訳（メタデータ） (2020-12-18T05:26:13Z) - A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。
我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。
我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
論文 参考訳（メタデータ） (2020-11-17T22:24:26Z) - 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)
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。