新的无监督多核学习方法用于自动化算法选择

研究人员开发了一种新颖的无监督多核学习方法，用于黑盒优化的自动化算法选择。该方法在聚类阶段不依赖性能标签，而是根据异构景观表示对问题实例进行分组。该方法利用多核k-means公式，在四个不同的景观视图（ELA、DeepELA、DoE2Vec和TransOptAS）中学习聚类分配和核权重。在差分进化和粒子群优化任务上的评估表明，这种无监督方法取得了强大的性能，特别是对于差分进化，并且在粒子群优化方面与领先的基线方法相比仍具有竞争力。 AI

影响 这种无监督方法可以降低优化任务中算法选择的成本并提高其泛化能力。

排序理由 该条目是一篇学术论文，详细介绍了一种机器学习的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• BBOB
• DeepELA
• differential evolution
• DoE2Vec
• particle swarm optimization
• TransOptAS: Transformer-Based Algorithm Selection for Single-Objective Optimization
• Unsupervised Multi-kernel Learning for Automated Algorithm Selection

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →