ترجمه فارسی مقاله تجزیه و تحلیل چشم انداز عصبی

چکیده

Recent research in Meta-Black-Box Optimization (MetaBBO) have shown that meta-trained neural networks can effectively guide the design of black-box optimizers, significantly reducing the need for expert tuning and delivering robust performance across complex problem distributions. Despite their success, a paradox remains: MetaBBO still rely on human-crafted Exploratory Landscape Analysis features to inform the meta-level agent about the low-level optimization progress. To address the gap, this paper proposes Neural Exploratory Landscape Analysis (NeurELA), a novel framework that dynamically profiles landscape features through a two-stage, attention-based neural network, executed in an entirely end-to-end fashion. NeurELA is pre-trained over a variety of MetaBBO algorithms using a multi-task neuroevolution strategy. Extensive experiments show that NeurELA achieves consistently superior performance when integrated into different and even unseen MetaBBO tasks and can be efficiently fine-tuned for further performance boost. This advancement marks a pivotal step in making MetaBBO algorithms more autonomous and broadly applicable.

چکیده به فارسی (ترجمه ماشینی)

تحقیقات اخیر در بهینه سازی جعبه متا-سیاه (METABBO) نشان داده است که شبکه های عصبی آموزش دیده متا می توانند به طور موثری طراحی بهینه سازهای جعبه سیاه را راهنمایی کنند ، و به طور قابل توجهی نیاز به تنظیم متخصص و ارائه عملکرد قوی در توزیع های پیچیده مشکل را کاهش می دهد.علیرغم موفقیت آنها ، یک پارادوکس باقی مانده است: متاببو هنوز به ویژگی های تجزیه و تحلیل چشم انداز اکتشافی انسان متکی است تا از عامل متا در مورد پیشرفت بهینه سازی سطح پایین مطلع شود.برای پرداختن به این شکاف ، این مقاله تجزیه و تحلیل چشم انداز عصبی (Neurela) را ارائه می دهد ، یک چارچوب جدید که به طور پویا ویژگی های چشم انداز را از طریق یک شبکه عصبی دو مرحله ای مبتنی بر توجه ، که به روشی کاملاً پایان به پایان می رسد ، پروفایل می کند.Neurela با استفاده از یک استراتژی چند منظوره عصبی چند منظوره ، در مورد انواع الگوریتم های متاببو از قبل آموزش دیده است.آزمایش های گسترده نشان می دهد که نورولا هنگام ادغام در کارهای متاببو متفاوت و حتی غیب به عملکرد عالی ، به طور مداوم به عملکرد برتر می رسد و می تواند برای تقویت عملکرد بیشتر به خوبی تنظیم شود.این پیشرفت یک گام مهم در ساخت الگوریتم های متاببو است که خودمختار تر و گسترده تر است.