Impact of Training Instance Selection on Automated Algorithm Selection Models for Numerical Black-box Optimization

最近提出的MA-BBOB函数生成器提供了一种基于广泛应用的BBOB套件来创建数字黑盒基准问题的方法。对该生成器的初步研究强调了它能够从低级景观特征和算法性能两方面平稳地过渡到组件函数。这表明，MA-BBOB生成的函数可以成为自动化机器学习方法（如自动算法选择）的理想测试平台。 在本文中，我们分别在$d=2$和$d=5$的维度上生成了11800个函数，并通过研究八个算法之间的性能互补性来分析AAS的潜在收益。我们将这些性能数据与探索性景观特征相结合，创建了一个AAS流程，用于研究如何在此空间内有效地选择训练集。我们表明，仅使用BBOB组件函数进行训练会导致测试性能不佳，而在统一选择和基于多样性选择的训练集之间的排名强烈取决于测试集的分布。

研究MA-BBOB函数生成器在自动算法选择中的应用，探究如何在该空间内有效选择训练集

使用MA-BBOB函数生成器生成11800个函数，结合探索性地形特征和八种算法的性能数据，创建自动算法选择(AAS)流水线，研究如何在该空间内有效选择训练集

论文使用MA-BBOB函数生成器生成大量函数，探究自动算法选择在该空间中的应用，提出了一种选择训练集的方法，并通过实验验证了其有效性。研究结果表明，使用BBOB组件函数进行训练会导致测试性能较差，而在均匀选择和基于多样性的训练集之间进行排名强烈依赖于测试集的分布。

最近的相关研究包括基于自动算法选择的论文，如“Automated Algorithm Selection: Survey and Perspectives”和“Algorithm Selection via Meta-Learning”。