基于“算法性能画像”的连体元学习与算法选择[提案]
机器学习
2020-06-24 v2 人工智能
机器学习
摘要
自动化的按实例算法选择通常优于单一学习器。通过元学习进行算法选择的关键往往是（元）特征，但有时这些特征无法提供足够信息以有效训练元学习器。我们提出一种用于自动算法选择的连体神经网络（Siamese Neural Network）架构，其更关注“表现相似”的实例而非元特征。我们的工作包含一种新颖的性能度量和用于选择训练样本的方法。我们进一步引入“算法性能画像”（Algorithm Performance Personas）的概念，用以描述单个算法表现相似的实例。以“表现相似的算法”作为选择训练样本的真值这一理念是新颖的，且正如我们所认为的，具有巨大潜力。在本提案中，我们详细阐述了我们的思路，并提供了初步证据，表明我们所提出的度量比绝对误差等标准性能度量更适用于训练样本选择。
引用
@article{arxiv.2006.12328,
title = {Siamese Meta-Learning and Algorithm Selection with 'Algorithm-Performance Personas' [Proposal]},
author = {Joeran Beel and Bryan Tyrell and Edward Bergman and Andrew Collins and Shahad Nagoor},
journal= {arXiv preprint arXiv:2006.12328},
year = {2020}
}
备注
7th Workshop on Automated Machine Learning (AutoML 2020)