ترجمه فارسی مقاله پیکربندی الگوریتم خودکار آگاه از چشم انداز با استفاده از رگرسیون و طبقه بندی مختلط چند خروجی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Landscape-Aware Automated Algorithm Configuration using Multi-output Mixed Regression and Classification
عنوان مقاله به فارسی پیکربندی الگوریتم خودکار آگاه از چشم انداز با استفاده از رگرسیون و طبقه بندی مختلط چند خروجی
نویسندگان Fu Xing Long, Moritz Frenzel, Peter Krause, Markus Gitterle, Thomas Bäck, Niki van Stein
فرمت مقاله انگلیسی PDF
تعداد صفحات 18
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Neural and Evolutionary Computing,یادگیری ماشین , محاسبات عصبی و تکاملی ,
توضیحات Submitted 2 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 2 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

In landscape-aware algorithm selection problem, the effectiveness of feature-based predictive models strongly depends on the representativeness of training data for practical applications. In this work, we investigate the potential of randomly generated functions (RGF) for the model training, which cover a much more diverse set of optimization problem classes compared to the widely-used black-box optimization benchmarking (BBOB) suite. Correspondingly, we focus on automated algorithm configuration (AAC), that is, selecting the best suited algorithm and fine-tuning its hyperparameters based on the landscape features of problem instances. Precisely, we analyze the performance of dense neural network (NN) models in handling the multi-output mixed regression and classification tasks using different training data sets, such as RGF and many-affine BBOB (MA-BBOB) functions. Based on our results on the BBOB functions in 5d and 20d, near optimal configurations can be identified using the proposed approach, which can most of the time outperform the off-the-shelf default configuration considered by practitioners with limited knowledge about AAC. Furthermore, the predicted configurations are competitive against the single best solver in many cases. Overall, configurations with better performance can be best identified by using NN models trained on a combination of RGF and MA-BBOB functions.

چکیده به فارسی (ترجمه ماشینی)

در مشکل انتخاب الگوریتم آگاه از چشم انداز ، اثربخشی مدلهای پیش بینی مبتنی بر ویژگی به شدت به نمایندگی داده های آموزش برای برنامه های کاربردی بستگی دارد.در این کار ، ما پتانسیل توابع تولید شده به طور تصادفی (RGF) را برای آموزش مدل بررسی می کنیم ، که مجموعه ای بسیار متنوع تر از کلاس های مشکل بهینه سازی را در مقایسه با مجموعه بهینه سازی جعبه سیاه به طور گسترده استفاده می کند (BBOB).به همین ترتیب ، ما بر روی پیکربندی خودکار الگوریتم (AAC) تمرکز می کنیم ، یعنی انتخاب الگوریتم مناسب و تنظیم دقیق HyperParameters آن بر اساس ویژگی های منظره نمونه های مشکل.دقیقاً ، ما عملکرد مدل های شبکه عصبی متراکم (NN) را در رسیدگی به رگرسیون مختلط و طبقه بندی چند موقعیتی با استفاده از مجموعه داده های مختلف آموزش ، مانند RGF و بسیاری از توابع BBOB (MA-BBOB) تجزیه و تحلیل می کنیم.بر اساس نتایج ما در مورد توابع BBOB در 5D و 20D ، تقریباً تنظیمات بهینه با استفاده از رویکرد پیشنهادی قابل شناسایی است ، که بیشتر اوقات می تواند از پیکربندی پیش فرض خارج از قفسه در نظر گرفته شده توسط پزشکان با دانش محدود در مورد AAC استفاده کند.علاوه بر این ، تنظیمات پیش بینی شده در بسیاری از موارد در برابر بهترین حل کننده تنها رقابتی هستند.به طور کلی ، تنظیمات با عملکرد بهتر می تواند به بهترین وجه با استفاده از مدل های NN آموزش داده شده بر روی ترکیبی از عملکردهای RGF و MA-BBOB مشخص شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.