识别易实例以提高算法选择中机器学习管道的效率
机器学习
2024-06-26 v1 神经与进化计算
摘要
算法选择（AS）方法对于从大型实例集合中获得最佳性能至关重要。然而，许多 AS 方法依赖于分析阶段，例如通过采样解来计算特征并用作机器学习模型的输入。因此，要使 AS 高效，重要的是该分析阶段计算成本不高。我们提出了一种识别易实例的方法，这些实例可以无需算法选择即可使用通用求解器快速求解。这可以节省与特征计算相关的计算预算，从而可在 AS 管道的其他地方使用，例如，使对困难问题的额外功能评估成为可能。在两个设置（批量和流式）中，对 BBOB 数据集进行实验，表明识别易实例可在函数评估方面实现显著的节省。通过将节省的预算重新分配给困难问题，可实现对虚拟最佳求解器（VBS）、单一最佳求解器（SBS）以及训练的算法选择器的性能提升。
引用
@article{arxiv.2406.16999,
title = {Identifying Easy Instances to Improve Efficiency of ML Pipelines for Algorithm-Selection},
author = {Quentin Renau and Emma Hart},
journal= {arXiv preprint arXiv:2406.16999},
year = {2024}
}
备注
To appear in the proceedings of the 18th International Conference on Parallel Problem Solving from Nature (PPSN 2024)