基于深度学习的无特征方法集：用于刻画单目标连续适应度地形
机器学习
2022-04-15 v2
摘要
探索性地形分析是一种强大的技术，用于数值刻画单目标连续优化问题的地形。地形洞察对于问题理解以及评估基准集的多样性与构成都至关重要。尽管这些特征具有不可否认的用处，它们也存在自身的缺陷与不足。因此，在本文中我们提供了一系列不同的刻画优化地形的方法。与常规地形特征类似，我们需要一个小的初始样本。然而，我们不基于该样本计算特征，而是开发原始样本的替代表示。这些表示从点云到二维图像，因此完全无特征。我们在 BBOB 测试床上展示并验证了所设计的方法，并借助深度学习预测基于专家的高层地形属性，如多模态程度与漏斗结构的存在性。我们方法的质量与依赖传统地形特征的方法相当。由此，我们为每一个利用问题信息的研究领域（如问题理解、算法设计以及自动化算法配置与选择）提供了令人振奋的新视角。
引用
@article{arxiv.2204.05752,
title = {A Collection of Deep Learning-based Feature-Free Approaches for Characterizing Single-Objective Continuous Fitness Landscapes},
author = {Moritz Vinzent Seiler and Raphael Patrick Prager and Pascal Kerschke and Heike Trautmann},
journal= {arXiv preprint arXiv:2204.05752},
year = {2022}
}