AutoML 中用于序列超参数空间缩减的元级学习算法
原文中文，约400字，阅读约需1分钟。发表于：。自动机器学习（AutoML）领域的一篇研究论文，通过提出一种名为 SHSR 的元学习算法，在保持预测性能微乎其微的情况下，显著减少了任务执行时间约 30% 的超参数空间。
介绍了一种修改后的LAB算法，通过引入轮盘赌方法和缩减系数，引入了群体间竞争并逐步缩小样本空间。该算法通过解决CEC 2005和CEC 2017的基准测试问题来验证，并使用双边和成对符号秩Wilcoxon检验以及Friedman秩检验对解决方案进行验证。该算法表现出更强的稳健性和搜索空间探索能力。此外，还提出了一种基于聚类的搜索空间缩减方法，使该算法能够解决约束问题。最后，将使用修改后的LAB算法所获得的结果与其他最新的元启发式算法进行比较。
