用于 Meta-Black-Box-Optimization 的神经探索性景观分析
机器学习
2025-03-28 v3 神经与进化计算
摘要
Meta-Black-Box Optimization（MetaBBO）的最新研究表明，元训练神经网络可有效指导黑盒优化器的设计，显著减少对专家调参的需求，并在复杂问题分布中提供稳健性能。尽管已取得成功，但仍存在一个悖论：MetaBBO 仍依赖于人工构建的探索性景观分析特征来向元级智能体传递关于低级优化进展的信息。为解决这一差距，本文提出了神经探索性景观分析（NeurELA），一种新型框架，通过动态通过基于注意力的双阶段神经网络轮廓化景观特征，完全以端到端方式执行。NeurELA 采用多任务神经进化策略在各种 MetaBBO 算法上进行预训练。广泛实验表明，NeurELA 在集成到不同甚至未知 MetaBBO 任务时均实现持续优异性能，可高效微调以进一步提升性能。这一突破性进展标志着 MetaBBO 算法更加自主和更广泛适用性的关键一步。NeurELA 的源码可在 https://github.com/GMC-DRL/Neur-ELA 获取。
引用
@article{arxiv.2408.10672,
title = {Neural Exploratory Landscape Analysis for Meta-Black-Box-Optimization},
author = {Zeyuan Ma and Jiacheng Chen and Hongshu Guo and Yue-Jiao Gong},
journal= {arXiv preprint arXiv:2408.10672},
year = {2025}
}