Neural Exploratory Landscape Analysis

最近的Meta-Black-Box Optimization（MetaBBO）研究表明，元训练的神经网络可以有效地指导黑盒优化器的设计，显著减少了对专家调优的需求，并在复杂问题分布中提供了稳健的性能。尽管它们取得了成功，但存在一个悖论：MetaBBO仍然依赖于人工设计的探索性地形分析特征，以通知元级代理程序有关低级优化进展的信息。为了解决这个问题，本文提出了神经探索性地形分析（NeurELA），这是一个全新的框架，通过一个两阶段的基于注意力的神经网络动态地分析地形特征，并以完全端到端的方式执行。NeurELA使用多任务神经进化策略在各种MetaBBO算法上进行预训练。广泛的实验表明，当NeurELA集成到不同甚至未见过的MetaBBO任务中时，它能够实现始终优越的性能，并且可以进行高效的微调以进一步提高性能。这一进展标志着MetaBBO算法更加自主和广泛适用的关键一步。NeurELA的源代码可在https://anonymous.4open.science/r/Neur-ELA-303C上访问。

NeurELA论文试图解决MetaBBO算法仍然依赖人类设计的问题，提出一种全新的框架NeurELA，旨在通过动态地分析风景特征，提供更广泛的应用。

NeurELA是一个全新的框架，通过使用两阶段的基于注意力机制的神经网络，动态地分析风景特征，以提供更广泛的应用。它是通过多任务神经进化策略预训练的，并能够在不同的MetaBBO任务中实现更高的性能。

论文实验设计了多个实验来验证NeurELA的性能，结果表明NeurELA在不同的MetaBBO任务中都能实现更高的性能。此外，论文还提供了开源代码。

在最近的相关研究中，有一些与NeurELA类似的工作，如使用元学习来优化黑盒优化器的研究。其中一些论文的标题包括：“Meta-Learning to Optimize Black-Box Functions”和“Learning to Learn for Global Optimization of Black Box Functions”。