Core Concepts
アルゴリズム選択モデルの学習に使用するデータの選択が重要であり、短いアルゴリズムの探索軌跡を使用することで、特徴量を使用する従来手法よりも優れた性能が得られる。さらに、シミュレーテッド・アニーリングアルゴリズムのパラメータを最適化することで、より識別力のある探索軌跡を生成できる。
Abstract
本論文では、アルゴリズム選択とアルゴリズムの性能予測のための新しい手法を提案している。従来の特徴量ベースのアプローチでは、特徴量の設計が難しく、アルゴリズムの挙動を十分に反映できないという問題があった。そこで本手法では、アルゴリズムの探索軌跡を直接使用することで、アルゴリズムの挙動を反映した学習が可能になる。
さらに、シミュレーテッド・アニーリングアルゴリズムのパラメータを最適化することで、より識別力のある探索軌跡を生成できることを示している。具体的には以下の通り:
従来のアプローチでは、アルゴリズムの探索軌跡を直接使用することで、特徴量ベースの手法よりも優れた性能が得られることを示している。
シミュレーテッド・アニーリングアルゴリズムのパラメータを最適化することで、より識別力のある探索軌跡を生成できることを示している。この最適化されたアルゴリズムの探索軌跡を使用することで、特徴量ベースの手法よりも優れた性能が得られる。
最適化されたシミュレーテッド・アニーリングアルゴリズムの探索軌跡は、従来のアプローチと比べて計算コストが低い。
最適化されたパラメータを別のアルゴリズムに転用することで、計算コストをさらに削減できる可能性がある。
Stats
最適化されたシミュレーテッド・アニーリングアルゴリズムは、CMA-ESアルゴリズムの性能予測に使用した場合、62回の目的関数評価で平均二乗誤差(RMSE)が5.28となった。
最適化されたシミュレーテッド・アニーリングアルゴリズムは、DEアルゴリズムの性能予測に使用した場合、36回の目的関数評価でRMSEが23.95となった。
最適化されたシミュレーテッド・アニーリングアルゴリズムは、PSOアルゴリズムの性能予測に使用した場合、34回の目的関数評価でRMSEが54.4となった。