論文の概要: Unsupervised Multi-kernel Learning for Automated Algorithm Selection
- arxiv url: http://arxiv.org/abs/2607.19031v1
- Date: Tue, 21 Jul 2026 12:18:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.419888
- Title: Unsupervised Multi-kernel Learning for Automated Algorithm Selection
- Title（参考訳）: 自動アルゴリズム選択のための教師なしマルチカーネル学習
- Abstract要約: ブラックボックス最適化におけるアルゴリズム選択のための教師なしモデルに代わる教師なしモデル。
問題インスタンスはクラスタリングの段階でパフォーマンスラベルを使わずにグループ化される。
結果は、厳格に分離された3段階評価プロトコルを通じて、解決者推奨にポストホックにマッピングされる。
- 参考スコア（独自算出の注目度）: 6.372443691054574
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated algorithm selection in black-box optimization typically relies on supervised models that map landscape features to algorithm performance labels. Such models are costly to train, benchmark-dependent, and often fail to generalize to unseen problem classes. We study an unsupervised alternative: multi-kernel clustering over heterogeneous landscape representations, in which problem instances are grouped without using performance labels in the clustering stage, and the resulting clusters are mapped post hoc to solver recommendations through a strictly separated three-stage evaluation protocol. Drawing on two decades of advances in multiple kernel learning, we adopt a multi-kernel k-means formulation that jointly learns cluster assignments and kernel weights over four heterogeneous landscape views: ELA, DeepELA, DoE2Vec, and TransOptAS. On affine BBOB-derived selector tasks for Differential Evolution (DE) and Particle Swarm Optimization (PSO) at a fixed evaluation budget, we report mean plus or minus standard deviation selector profiles over 50 independent random seeds for stochastic configurations. Multi-kernel clustering obtains the strongest mean profile on the DE portfolio and remains competitive with, and nominally ahead of, the leading baselines on the more compressed PSO portfolio, where differences among the best methods are small relative to stochastic variation. In representative median-seed runs used for visualization, the learned kernel weights retain ELA and TransOptAS while assigning zero weight to DeepELA and DoE2Vec, providing a task-specific interpretation of which representations are retained by the multi-kernel model for selector-oriented grouping.
- Abstract（参考訳）: ブラックボックス最適化における自動アルゴリズム選択は、通常、ランドスケープ特徴をアルゴリズムのパフォーマンスラベルにマップする教師付きモデルに依存する。
このようなモデルは、トレーニングし、ベンチマークに依存し、しばしば見つからない問題クラスに一般化に失敗する。
異種ランドスケープ表現上のマルチカーネルクラスタリングでは,クラスタリングの段階で性能ラベルを使わずに問題インスタンスをグループ化し,その結果のクラスタを,厳密に分離された3段階評価プロトコルを通じて,解決者推薦にポストホックでマッピングする。
マルチカーネル学習における20年にわたる進歩に基づき,ELA,DeepELA,DoE2Vec,TransOptASという4つの異種ランドスケープビューに対して,クラスタ割り当てとカーネルウェイトを共同で学習するマルチカーネルk平均式を採用した。
Affine BBOB- derived selector task for Differential Evolution (DE) and Particle Swarm Optimization (PSO) at a fixed evaluation budget, we report the mean plus orinus standard deviation selector profiles over 50 independent random seeds for stochastic configurations。
マルチカーネルクラスタリングは DE ポートフォリオ上で最強の平均プロファイルを取得し、より圧縮された PSO ポートフォリオにおける最上位のベースラインと競合し続けている。
可視化に使用される代表的な中央値実行では、学習されたカーネル重みはERAとTransOptASを保持し、DeepELAとDoE2Vecにゼロウェイトを割り当て、セレクタ指向グルーピングのためのマルチカーネルモデルによって表現が保持されるタスク固有の解釈を提供する。
関連論文リスト
- Deep Incomplete Multi-View Clustering via Hierarchical Imputation and Alignment [15.396375506151102]
本稿では,階層的な命令処理と4つのキーコンポーネントのアライメントを統合する,新しいディープIMVCフレームワークを提案する。
ベンチマーク実験により、我々のフレームワークは、様々なレベルの欠落下で優れたパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2026-01-14T00:46:00Z) - DiEC: Diffusion Embedded Clustering [0.76629754443761]
ディープクラスタリングは、明確なクラスタ構造を公開する表現に依存します。
従来のほとんどのメソッドは、オートエンコーダや自己教師付きエンコーダによる単一の埋め込みを学び、クラスタリングの第一の表現として扱う。
本研究では,事前学習した拡散U-Netの中間活性化を直接利用して,この軌道を利用する教師なしクラスタリングフレームワークであるEmbed Diffusion Clustering (DiEC)を提案する。
論文 参考訳（メタデータ） (2025-12-24T03:10:00Z) - Hierarchical Identity Learning for Unsupervised Visible-Infrared Person Re-Identification [81.3063589622217]
教師なし可視赤外線人物再識別(USVI-ReID)は、ラベルのないクロスモーダルな人物データセットからモダリティ不変の画像特徴を学習することを目的としている。
論文 参考訳（メタデータ） (2025-09-15T05:10:43Z) - Towards Learnable Anchor for Deep Multi-View Clustering [49.767879678193005]
本稿では,線形時間でクラスタリングを行うDeep Multi-view Anchor Clustering (DMAC)モデルを提案する。
最適なアンカーを用いて、全サンプルグラフを計算し、クラスタリングのための識別的埋め込みを導出する。
いくつかのデータセットの実験では、最先端の競合に比べてDMACの性能と効率が優れていることが示されている。
論文 参考訳（メタデータ） (2025-03-16T09:38:11Z) - MOKD: Cross-domain Finetuning for Few-shot Classification via Maximizing Optimized Kernel Dependence [97.93517982908007]
NCCは、ドメイン間数ショットの分類において、少数ショットの分類が可能なメートル法空間を構築するために表現を学ぶことを目的としている。
本稿では,異なるクラスから得られた2つの標本の NCC 学習表現に高い類似性があることを見出した。
ラベル付きデータによって示されるクラスタ構造にマッチするクラス固有の表現の集合を学習するために、最適化されたカーネル依存(MOKD)を最大化する二段階最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-29T05:59:52Z) - Self Supervised Correlation-based Permutations for Multi-View Clustering [7.093692674858257]
汎用データ型のためのエンドツーエンドのディープラーニングに基づくマルチビュークラスタリングフレームワークを提案する。
提案手法は,新しい置換に基づく正準相関目標を用いた有意義な融合表現を生成する。
論文 参考訳（メタデータ） (2024-02-26T08:08:30Z) - Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。
本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。
さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
論文 参考訳（メタデータ） (2023-03-29T14:54:19Z) - Local Sample-weighted Multiple Kernel Clustering with Consensus
Discriminative Graph [73.68184322526338]
マルチカーネルクラスタリング(MKC)は、ベースカーネルの集合から最適な情報融合を実現するためにコミットされる。
本稿では,新しい局所サンプル重み付きマルチカーネルクラスタリングモデルを提案する。
実験により, LSWMKCはより優れた局所多様体表現を有し, 既存のカーネルやグラフベースのクラスタリングアルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2022-07-05T05:00:38Z) - Gated recurrent units and temporal convolutional network for multilabel
classification [122.84638446560663]
本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。
提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
論文 参考訳（メタデータ） (2021-10-09T00:00:16Z) - Multi-Facet Clustering Variational Autoencoders [9.150555507030083]
画像などの高次元データは通常、クラスタリング可能な複数の興味深い特徴を特徴付ける。
MFCVAE(Multi-Facet Clustering Variational Autoencoders)を導入する。
MFCVAEは複数のクラスタリングを同時に学習し、完全に教師なしでエンドツーエンドで訓練されている。
論文 参考訳（メタデータ） (2021-06-09T17:36:38Z)
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。