学习评估随机优化中运行次数估计的可靠性
机器学习
2026-05-28 v1 神经与进化计算
摘要
在大规模随机优化算法基准测试中，关键挑战已从是否需要多次运行转向如何在不产生不必要计算成本的情况下确定何时已收集足够的证据。我们研究了基于最近一次经验性在线启发式方法的学习扩展，该方法采用异常值处理和偏斜度基准称检查来自适应估计所需的运行次数。使用来自 132,000 次 Nevergrad 运行的标注结果（COCO 上 24 个问题，二维 20 维，每个问题 10 个实例，11 个优化器），我们在 23 个统计、能量-free 和形状与稳定性特征上训练分类器，以预测运行次数估计是否可靠，优先检测通过少数类召回率的错误估计。我们采用配置内学习设置评估可靠性预测，其中模型在数据共享相同优化器的配置内进行训练和测试。结果表明，在配置内场景中可以学习运行次数的可靠性，尽管性能受限于固定配置内数据多样性的限制。
引用
@article{arxiv.2605.28309,
title = {Learning to Assess the Reliability of Number-of-Runs Estimation in Stochastic Optimization},
author = {Sara Gjorgjieva and Eva Tuba and Tome Eftimov},
journal= {arXiv preprint arXiv:2605.28309},
year = {2026}
}
备注
Preprint version of a poster accepted at the Genetic and Evolutionary Computation Conference 2026 (GECCO 2026)