Sensitivity analysis of RF+clust for leave-one-problem-out performance prediction
Povzetek
Ni podatka o povzetku
Ključne besede
strojno učenje;automated performance prediction;autoML;single-objective black-box optimization;zero-shot learning;
Podatki
| Jezik: | Angleški jezik |
|---|---|
| Leto izida: | 2023 |
| Tipologija: | 1.08 - Objavljeni znanstveni prispevek na konferenci |
| Organizacija: | IJS - Institut Jožef Stefan |
| Založnik: | IEEE |
| UDK: | 004.8 |
| COBISS: |
166119427
|
| Št. ogledov: | 18 |
| Št. prenosov: | 6 |
| Ocena: | 0 (0 glasov) |
| Metapodatki: |
|
Ostali podatki
| Sekundarni jezik: | Slovenski jezik |
|---|---|
| Sekundarne ključne besede: | strojno učenje; |
| Komentar vira: | Nasl. z nasl. zaslona; Soavtorja iz Slovenije: Peter Korošec, Tome Eftimov; Opis vira z dne 28. 9. 2023; |
| Strani: | Str. [1-8] |
| DOI: | 10.1109/CEC53210.2023.10254146 |
| ID: | 20960052 |
Priporočena dela:
Sensitivity analysis of RF+clust for leave-one-problem-out performance prediction
2023,
ni podatka o podnaslovu
RF+clust for leave-one-problem-out performance prediction
2023,
ni podatka o podnaslovu
DynamoRep
2023,
trajectory-based population dynamics for classification of black-box optimization problems
Algorithm instance footprint
2023,
separating easily solvable and challenging problem instances
Using well-understood single-objective functions in multiobjective black-box optimization test suites
2021,
ni podatka o podnaslovu