Core Concepts
알고리즘 선택 모델의 성공을 위해서는 입력 데이터 선택이 중요하다. 본 연구는 포트폴리오 내 솔버들을 잘 구분할 수 있는 차별화된 트레이닝 샘플을 생성하는 메타 접근법을 제안한다.
Abstract
이 논문은 알고리즘 선택과 성능 예측을 위한 새로운 접근법을 제안한다. 기존의 특징 기반 방법은 특징 추출의 어려움과 특징과 성능 간의 상관관계 부족 등의 문제가 있었다. 최근에는 알고리즘 실행 과정에서 얻은 트레이닝 데이터를 직접 사용하는 방법이 제안되었지만, 이 경우 트레이닝 데이터가 솔버들 간 충분히 구분되지 않는 문제가 있었다.
본 연구에서는 메타 알고리즘을 활용하여 시뮬레이티드 어닐링(SA) 알고리즘의 하이퍼파라미터를 최적화하여 차별화된 트레이닝 샘플을 생성한다. 이렇게 생성된 SA 트레이닝 샘플을 사용하여 알고리즘 선택 및 성능 예측 모델을 학습한 결과, 기존 특징 기반 모델이나 포트폴리오 솔버 트레이닝 샘플 기반 모델보다 우수한 성능을 보였다. 또한 SA 트레이닝 샘플 생성에 필요한 함수 평가 횟수가 매우 적어 계산 비용이 낮다는 장점이 있다.
Stats
알고리즘 선택 모델의 정확도가 ELA 특징 기반 모델보다 최대 0.5% 높다.
CMA-ES 성능 예측 모델의 RMSE가 ELA 특징 기반 모델보다 최대 2.72 낮다.
DE 성능 예측 모델의 RMSE가 ELA 특징 기반 모델보다 최대 35.4 낮다.
Quotes
"알고리즘 선택 모델의 성공을 위해서는 입력 데이터 선택이 중요하다."
"기존의 특징 기반 방법은 특징 추출의 어려움과 특징과 성능 간의 상관관계 부족 등의 문제가 있었다."
"본 연구에서는 메타 알고리즘을 활용하여 시뮬레이티드 어닐링(SA) 알고리즘의 하이퍼파라미터를 최적화하여 차별화된 트레이닝 샘플을 생성한다."