面向全局优化基准测试的 ImageNet 式函数库
人工智能
2022-06-29 v1 计算机视觉与模式识别
机器学习
摘要
黑箱优化（BBO）问题搜索景观特征的知识，对于算法选择与/或配置问题提供了宝贵信息。探索性景观分析（ELA）模型在识别预定义人工派生特征以及辅助组合选择器应对这些挑战方面已取得成效。与 ELA 方法不同，本研究提出将识别问题转化为图像识别问题，有潜力检测无预设概念、机器驱动的景观特征。为此，我们引入景观图像（Landscape Images）概念，使得我们能为每个基准函数生成图像实例，进而面向多样化广义函数数据集分类挑战。我们将其作为监督多类图像识别问题，并应用基础人工神经网络模型求解。我们方法的有效性在无噪声 BBOB 和 IOHprofiler 基准测试套件上得到数值验证。这一明显成功的学习是迈向 BBO 问题自动特征提取与局部结构推导的又一步。通过使用该景观图像定义，并借助图像识别算法现有能力，我们预见构建一个类似 ImageNet 的函数库，用于训练依赖机器驱动特征的广义检测器。
引用
@article{arxiv.2206.13630,
title = {Toward an ImageNet Library of Functions for Global Optimization Benchmarking},
author = {Boris Yazmir and Ofer M. Shir},
journal= {arXiv preprint arXiv:2206.13630},
year = {2022}
}