Auto-CASH：基于深度 Q 网络的自主分类算法选择
机器学习
2020-07-08 v1 机器学习
摘要
各种数据源生成的大量数据集给机器学习算法选择与超参数配置带来了挑战。对于特定机器学习任务，领域专家通常需耗费大量时间选择合适的算法并配置其超参数。若算法选择与超参数优化问题能自动解决，任务将以性能保障更高效执行。该问题亦称为 CASH 问题。早期工作要么需要大量人力，要么受困于高时间或空间复杂度。本工作中，我们提出基于元学习的预训练模型 Auto-CASH，以更高效解决 CASH 问题。Auto-CASH 是首个利用深度 Q 网络（Deep Q-Network）自动为每个数据集选择元特征的方法，从而在不大规模引入人力的前提下极大降低时间成本。为证明模型有效性，我们在 120 个真实世界分类数据集上进行了广泛实验。与经典及最先进 CASH 方法相比，实验结果表明 Auto-CASH 在更短时间内取得更优性能。
引用
@article{arxiv.2007.03254,
title = {Auto-CASH: Autonomous Classification Algorithm Selection with Deep Q-Network},
author = {Tianyu Mu and Hongzhi Wang and Chunnan Wang and Zheng Liang},
journal= {arXiv preprint arXiv:2007.03254},
year = {2020}
}