通过昂贵评估优化离散空间：一种学习搜索框架
机器学习
2022-02-07 v1 人工智能
摘要
我们考虑在离散空间（例如集合、序列、图）上优化昂贵黑盒函数的问题。关键挑战在于选择一系列待评估的组合结构，以尽快识别高性能结构。我们的主要贡献是引入并评估了一种用于该问题的新学习搜索框架，称为 L2S-DISCO。其核心思路是在每一步采用由控制知识引导的搜索过程来选择下一个结构，并随着新函数评估的观测来改进控制知识。我们给出了 L2S-DISCO 在局部搜索过程上的具体实例化，并在多种真实世界基准上进行了经验评估。结果显示了 L2S-DISCO 在求解复杂优化问题时相对于最先进算法的有效性。
引用
@article{arxiv.2012.07320,
title = {Optimizing Discrete Spaces via Expensive Evaluations: A Learning to Search Framework},
author = {Aryan Deshwal and Syrine Belakaria and Janardhan Rao Doppa and Alan Fern},
journal= {arXiv preprint arXiv:2012.07320},
year = {2022}
}
备注
9 pages, 8 figures