論文の概要: Algorithm Selection with Zero Domain Knowledge via Text Embeddings

• arxiv url: http://arxiv.org/abs/2604.19753v1
• Date: Fri, 20 Mar 2026 13:07:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.04405
• Title: Algorithm Selection with Zero Domain Knowledge via Text Embeddings
• Title（参考訳）: テキスト埋め込みによるドメイン知識ゼロのアルゴリズム選択
• Authors: Stefan Szeider,
• Abstract要約: 本稿では,手作りのインスタンス機能を事前学習したテキスト埋め込みに置き換える,アルゴリズム選択のための機能フリーアプローチを提案する。 我々の手法であるZeroFolioは、生のインスタンスファイルをプレーンテキストとして読み出し、事前訓練された埋め込みモデルで埋め込み、重み付きk-nearestの隣人によるアルゴリズムを選択する。
• 参考スコア（独自算出の注目度）: 27.126691338850254
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a feature-free approach to algorithm selection that replaces hand-crafted instance features with pretrained text embeddings. Our method, ZeroFolio, proceeds in three steps: it reads the raw instance file as plain text, embeds it with a pretrained embedding model, and selects an algorithm via weighted k-nearest neighbors. The key to our approach is the observation that pretrained embeddings produce representations that distinguish problem instances without any domain knowledge or task-specific training. This allows us to apply the same three-step pipeline (serialize, embed, select) across diverse problem domains with text-based instance formats. We evaluate our approach on 11 ASlib scenarios spanning 7 domains (SAT, MaxSAT, QBF, ASP, CSP, MIP, and graph problems). Our experiments show that this approach outperforms a random forest trained on hand-crafted features in 10 of 11 scenarios with a single fixed configuration, and in all 11 with two-seed voting; the margin is often substantial. Our ablation study shows that inverse-distance weighting, line shuffling, and Manhattan distance are the key design choices. On scenarios where both selectors are competitive, combining embeddings with hand-crafted features via soft voting yields further improvements.
• Abstract（参考訳）: 本稿では,手作りのインスタンス機能を事前学習したテキスト埋め込みに置き換える,アルゴリズム選択のための機能フリーアプローチを提案する。 我々の手法であるZeroFolioは、生のインスタンスファイルをプレーンテキストとして読み出し、事前訓練された埋め込みモデルで埋め込み、重み付きk-nearestの隣人によるアルゴリズムを選択する。 このアプローチの鍵は、事前訓練された埋め込みが、ドメイン知識やタスク固有のトレーニングなしで問題インスタンスを区別する表現を生成する、ということです。 これにより、テキストベースのインスタンスフォーマットで、さまざまな問題領域に同じ3ステップパイプライン(シリアライズ、埋め込み、選択)を適用することができます。 我々は7つのドメイン(SAT、MaxSAT、QBF、ASP、CSP、MIP、グラフ問題)にまたがる11のASlibシナリオに対するアプローチを評価した。 提案手法は,11のシナリオ中10のシナリオにおいて手作りの特徴を訓練したランダムな森林を1つの固定構成で,11のシナリオにおいて2シードの投票で比較し,そのマージンがかなり大きいことを示す。 我々のアブレーション研究は、逆距離重み付け、ラインシャッフル、マンハッタン距離が重要な設計選択であることを示している。 両方のセレクタが競合するシナリオでは、埋め込みと手作りの機能を組み合わせることで、さらなる改善が期待できる。

関連論文リスト

• Collaborative Propagation on Multiple Instance Graphs for 3D Instance Segmentation with Single-point Supervision [63.429704654271475]
  本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。 これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。 具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-10T02:14:39Z)
• Kernel Proposal Network for Arbitrary Shape Text Detection [18.561812622368763]
  任意の形状テキスト検出のための革新的カーネル提案ネットワーク(KPN)を提案する。 提案したKPNは、異なるテキストをインスタンスに依存しない機能マップに分類することで、隣接するテキストインスタンスを分離することができる。 本研究は,テキスト検出における隣接するテキストインスタンスの付着問題に対して,効率よく効果的に対処するための動的畳み込みカーネル戦略を初めて導入するものである。
  論文  参考訳（メタデータ） (2022-03-12T11:02:32Z)
• Cross-domain Speech Recognition with Unsupervised Character-level Distribution Matching [60.8427677151492]
  2つの領域における各文字間の微粒化適応を行うための文字レベルの分布マッチング手法であるCMatchを提案する。 Libri-Adaptデータセットを用いた実験の結果,提案手法はクロスデバイスとクロス環境の両方で14.39%,16.50%の単語誤り率(WER)を低減できることがわかった。
  論文  参考訳（メタデータ） (2021-04-15T14:36:54Z)
• PADA: A Prompt-based Autoregressive Approach for Adaptation to Unseen Domains [19.682729518136142]
  PADA: T5モデルに基づいた、PromptベースのAutoregressive Domain Adaptationアルゴリズム。 本稿では,T5 モデルに基づく Prompt-based Autoregressive Domain Adaptation アルゴリズムを提案する。 2つのタスクの実験では、PADAは最先端のアプローチと強力なベースラインを強く上回ります。
  論文  参考訳（メタデータ） (2021-02-24T11:02:29Z)
• Text Recognition in Real Scenarios with a Few Labeled Samples [55.07859517380136]
  Scene Text Recognition (STR) はコンピュータビジョン分野におけるホットな研究テーマである。 本稿では,数ショットの逆数列領域適応 (FASDA) を用いて構築シーケンスを適応する手法を提案する。 我々のアプローチは、ソースドメインとターゲットドメインの間の文字レベルの混乱を最大化することができる。
  論文  参考訳（メタデータ） (2020-06-22T13:03:01Z)
• Online Preselection with Context Information under the Plackett-Luce Model [10.286111512725334]
  本稿では,コンテキスト型マルチアームバンディット問題の拡張について考察する。 一つの代替品(アーム)を選択する代わりに、学習者は代替品のサブセットの形で事前選択する。 本稿では,よく知られたUPBアルゴリズムにインスパイアされたCPPLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-11T09:27:24Z)

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。