超越数值特征：基于轮廓图的CNN驱动算法选择用于连续黑箱优化
机器学习
2026-05-21 v1
摘要
本文引入一种基于表示驱动的 per-instance 算法选择方法，应用于黑箱优化，用于自动从固定组合中选择最有前景的求解器。连续优化的现有工作主要依赖数值描述符，包括探索性景观分析特征和学习嵌入如 Deep-ELA。本 work 研究一种互补表示：探测景观的等值线可视化。CNN 回归器接受多个 instance-specific 等值线视图（堆叠或编码每个视图并聚合），预测每个求解器的性能，从而实现按预测最佳值进行选择。在标准 BBOB 2009 单目标协议上，所得选择器显著优于单一最佳求解器（SBS），且与基于特征的基线相当。后续在 DeepELA 设置下的双目标评估进一步表明，相同图像基础原则在使用窗口等值线视图时也能保持竞争力。总体而言，结果表明简单视觉模型能够在无需手工制作 ELA 特征的情况下利用探测景观中的空间结构进行算法选择。
引用
@article{arxiv.2605.20797,
title = {Beyond Numerical Features: CNN-Driven Algorithm Selection via Contour Plots for Continuous Black-Box Optimization},
author = {Yiliang Yuan and Xiang Shi and Mustafa Misir},
journal= {arXiv preprint arXiv:2605.20797},
year = {2026}
}