DoE2Vec:基于深度学习的探索性景观分析特征学习方法
最优化与控制
2023-04-05 v1 人工智能
机器学习
神经与进化计算
摘要
我们提出DoE2Vec,一种基于变分自编码器(VAE)的方法,用于学习优化景观特征以服务于下游元学习任务,例如优化算法的自动选择。原则上,利用随机函数生成器产生的大型训练数据集,DoE2Vec自学习任意试验设计(DoE)的信息化潜在表示。与经典的探索性景观分析(ELA)方法不同,我们的方法不需要任何特征工程,且易于应用于高维搜索空间。为验证,我们检验了潜在重构的质量,并通过不同实验分析了潜在表示。这些潜在表示不仅在识别相似(低成本评估)代理函数方面展现出良好潜力,而且在分类任务中与经典ELA特征互补使用时能显著提升性能。
引用
@article{arxiv.2304.01219,
title = {DoE2Vec: Deep-learning Based Features for Exploratory Landscape Analysis},
author = {Bas van Stein and Fu Xing Long and Moritz Frenzel and Peter Krause and Markus Gitterle and Thomas Bäck},
journal= {arXiv preprint arXiv:2304.01219},
year = {2023}
}