HISTORIAE: история социокультурной трансформации как лингвистическая наука о данных. Пример применения в гуманитарных науках

Transformer-Based Feature Learning for Algorithm Selection in Combinatorial Optimisation
Luke Zettlemoyer, Danqi Chen, Naman Goyal, Mike Lewis, Omer Levy, Mandar Joshi, Yinhan Liu, Myle Ott, Jingfei Du, Veselin Stoyanov, Khan, Anas Fahad, Arora, Ravneet, Heinisch, Barbara, Goyal, Naman, Liu, Yinhan, Ott, Myle, Du, Jingfei, Pellegrino A., Akgun O., Dang N., Kiziltan Z., Miguel I., Özgür Akgün, Zeynep Kiziltan, Ian Miguel, Pellegrino, Alessio, Dang, Nguyen
2025-01-01

язык моделирования Essenceавтоматический выбор решателякомбинаторная оптимизацияобучение признаков экземпляровкодировщик-трансформер
Для задачи комбинаторной оптимизации обычно существует несколько способов её моделирования для передачи автоматизированному решателю. Выбор правильного сочетания модели и целевого решателя может существенно повлиять на эффективность процесса решения. Наилучшее сочетание модели и решателя также может зависеть от конкретного экземпляра задачи: единого сочетания, оптимального для всех экземпляров одной и той же задачи, может не существовать. Мы рассматриваем задачу построения моделей машинного обучения для автоматического выбора наилучшего сочетания для конкретного экземпляра задачи. Критически важным этапом обучения является определение признаков экземпляра, которые служат входными данными для модели выбора. Наш вклад заключается в автоматическом извлечении признаков экземпляра непосредственно из высокоуровневого представления экземпляра задачи с использованием трансформерного кодировщика. Мы оцениваем эффективность предложенного подхода с использованием языка моделирования Essence на примере трёх классов задач.
1
Предложен автоматический способ обучения признаков экземпляров задач непосредственно по их представлениям высокого уровня с использованием трансформерного энкодера.
2
Подход реализован и оценён с использованием языка моделирования Essence на трёх классах задач.
3
Исследование рассматривает выбор решателя для задач комбинаторной оптимизации как зависящую от экземпляра задачу машинного обучения, учитывающую комбинации модели и решателя.
4
Работа направлена на более эффективный выбор комбинаций модели и решателя без ручной разработки признаков экземпляров.

Экземпляры задач комбинаторной оптимизации, представлены на языке моделирования Essence

автоматическое обучение признаков экземпляров для выбора наиболее эффективной комбинации модели и решателя для каждого экземпляра задачи

Publication Details
Publication Date
2025-01-01
Journal
Publisher
ISSN
Cited by
1
Access Type
Author Information
Authors
Luke Zettlemoyer
Danqi Chen
Naman Goyal
Mike Lewis
Omer Levy
Mandar Joshi
Yinhan Liu
Myle Ott
Jingfei Du
Veselin Stoyanov
Khan, Anas Fahad
Arora, Ravneet
Heinisch, Barbara
Goyal, Naman
Liu, Yinhan
Ott, Myle
Du, Jingfei
Pellegrino A.
Akgun O.
Dang N.
Kiziltan Z.
Miguel I.
Özgür Akgün
Zeynep Kiziltan
Ian Miguel
Pellegrino, Alessio
Dang, Nguyen
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%