TY  - THES
AB  - Für die meisten rechenintensiven Probleme gibt es eine Vielzahl an Algorithmen, die alle ihre Stärken und Schwächen auf verschiedenen Instanzen der genannten Probleme haben. Dementsprechend sehen sich Anwender ständig mit der Frage kon- frontiert: Welcher Algorithmus sollte für dieses spezielle Problem gewählt werden, um eine hohe Lösungsgüte zu erreichen? Die Forschung auf dem Gebiet der Algorith- menselektion versucht, diese Frage zu beantworten, indem sie Entscheidungsstrate- gien, so genannte Algorithmenselektoren, entwickelt, die einen Algorithmus für eine bestimmte Probleminstanz vorschlagen. Die meisten dieser Selektoren basieren auf datengetriebenen Lernmethoden, die auf Basis aufgezeichneter Evaluationen von Algorithmen auf Probleminstanzen betrieben werden. Obwohl in den letzten Jahrzehnten viele Algorithmenselektoren entwickelt wurden, bleiben die Auswahl aus großen Mengen von Algorithmen, das Lernen auf Basis zensierter Daten, und die Wahl eines geeigneten Algorithmenselektors selbst, wichtige praktische Her- ausforderungen. In dieser Arbeit verbessern wir die praktische Anwendbarkeit der Algorithmenauswahl erheblich, indem wir Fortschritte bei den zugrunde liegenden Methoden des maschinellen Lernens vorschlagen, um die oben genannten Heraus- forderungen zu bewältigen. Insbesondere zeigen wir, dass die Darstellung von Algorithmen in Form von Featurevektoren es ermöglicht, einen Algorithmenselektor effizient zu lernen, der in der Lage ist, aus einer extrem großen Menge von Algo- rithmen auszuwählen. Darüber hinaus nutzen wir Methoden aus dem Bereich der Überlebensanalyse und der mehrarmigen Banditen, um Algorithmenselektoren aus zensierten Daten in Offline- und Online-Settings zu lernen. [...] (shortened due to size constraints)
AU  - Tornede, Alexander
CY  - Paderborn
DA  - 2023
DO  - 10.17619/UNIPB/1-1780
DP  - Universität Paderborn
LA  - ger
N1  - Tag der Verteidigung: 19.06.2023
N1  - Universität Paderborn, Dissertation, 2023
PB  - Veröffentlichungen der Universität
PY  - 2023
SP  - 1 Online-Ressource (xv, 233 Seiten)
T2  - Fakultät für Elektrotechnik, Informatik und Mathematik
TI  - Advanced Algorithm Selection with Machine Learning: Handling Large Algorithm Sets, Learning From Censored Data and Simplifying Meta Level Decisions
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-45429
Y2  - 2025-06-24T14:23:26
ER  -