CANDID DAC：利用动态算法配置中具有重要性差异的耦合动作维度
机器学习
2024-09-18 v2 人工智能
摘要
高维动作空间仍然是动态算法配置（DAC）的一个挑战。动作维度之间的相互依赖性和不同的重要性是DAC问题已知的关键特征。我们认为，这些具有重要性差异的耦合动作维度（CANDID）代表了DAC问题中尚未被充分探索的方面。为了解决这一差距，我们在DACBench套件中引入了一个新的白盒基准测试，用于模拟CANDID的属性。此外，我们提出将序列化策略作为管理这些属性的有效策略。这种策略分解了动作空间，并通过为每个动作维度学习一个策略来缓解指数级增长。同时，这些策略通过促进隐式协调来适应动作维度的相互依赖性。我们在新基准测试上对基于值的策略进行了一项实验研究，证明了这一点。该研究表明，在CANDID动作空间中，序列化策略显著优于分解策略的独立学习。此外，它们克服了在所有动作维度上学习单一策略所带来的可扩展性限制。我们实验使用的代码可在 https://github.com/PhilippBordne/candidDAC 获取。
引用
@article{arxiv.2407.05789,
title = {CANDID DAC: Leveraging Coupled Action Dimensions with Importance Differences in DAC},
author = {Philipp Bordne and M. Asif Hasan and Eddie Bergman and Noor Awad and André Biedenkapp},
journal= {arXiv preprint arXiv:2407.05789},
year = {2024}
}
备注
5 pages main paper, 11 pages references and appendix, 9 figures, to be published in: Proceedings of the Third International Conference on Automated Machine Learning (AutoML 2024), Workshop Track