HARRIS：用于算法选择的混合排序与回归森林
机器学习
2022-11-01 v1
摘要
众所周知，不同算法在算法问题的不同实例上表现各异，这催生了算法选择（AS）：给定一个算法问题实例，求解它最合适的算法是哪个？因此，AS 问题受到相当关注，产生了多种方法——其中许多在底层求解回归或排序问题。尽管这两种表述都提供了处理 AS 的非常自然的方式，它们都有显著弱点。一方面，正确预测算法在实例上的性能是产生正确算法排序（尤其是将最优算法排在第一）的充分而非必要条件。另一方面，经典排序方法通常不利用训练数据中可用的具体性能值，而仅利用由这些数据构成的排序。我们提出 HARRIS——混合排序与回归森林（Hybrid rAnking and RegRessIon foreSts）——一种利用特殊森林的新算法选择器，结合两种方法优势并缓解其弱点。HARRIS 的决策基于森林模型，其树根据在混合排序与回归损失函数上优化的分裂创建。我们在 ASLib 上的初步实验研究表明，HARRIS 在某些场景上优于标准算法选择方法，表明在树中结合排序与回归确实对 AS 有前景。
引用
@article{arxiv.2210.17341,
title = {HARRIS: Hybrid Ranking and Regression Forests for Algorithm Selection},
author = {Lukas Fehring and Jonas Hanselle and Alexander Tornede},
journal= {arXiv preprint arXiv:2210.17341},
year = {2022}
}
备注
4 pages, 4 figures, 2 tables