面向算法选择的元学习研究综述

来源：专知本文为综述介绍，建议阅读5分钟本文对基于元学习的算法选择进行综述总结， 为研究人员了解相关领域的发展现状提供参考。

摘要： 随着人工智能的快速发展，从可行的算法中选择满足应用需求的算法已经成为各领域亟待解决的关键问题，即算法选择问题。基于元学习的方法是解决算法选择问题的重要途径，被广泛应用于算法选择研究并取得了良好成果。方法通过构建问题特征到候选算法性能的映射模型来选择合适的算法，主要包括提取元特征、计算候选算法性能、构建元数据集以及训练元模型等步骤。首先，阐述基于元学习的算法选择概念和框架，回顾简述相关综述工作；其次，从元特征、元算法和元模型性能指标三方面总结研究进展，对其中典型的方法进行介绍并比较不同类型方法的优缺点和适用范围；然后，概述基于元学习的算法选择在不同学习任务中的应用情况；继而，使用140个分类数据集、9种候选分类算法和5种性能指标开展算法选择实验，对比不同算法选择方法的性能；最后，分析目前存在的挑战和问题，探讨未来的发展方向。

http://fcst.ceaj.org/CN/abstract/abstract3212.shtml

人工智能是数据处理与分析的重要技术，为人们利用数据进行决策和研究提供了有力支撑。在人 工智能的不同领域中，研究人员提出了大量算法，然而，不同算法在有限数量的问题上具备优越性能，不存在一个适用于所有问题的可行算法，该现象被称 为算法的性能互补性（performance complementarity） 现象[1] ，与“没有免费午餐”（no free lunch）定理相印 证[2] 。算法的性能互补性现象普遍存在于不同领域， 如何为给定问题从大量可行算法中选择满足应用需 求的算法成为了各领域面临的重要挑战，即算法选 择问题（algorithm selection problem）[3] 。算法选择问 题通常采用人工选择或自动选择的方法解决。人工 选择方法通过实验试错或依赖专家选择合适的算法，然而实验试错方法成本较高，专家选择与专家的经验知识相关且灵活性较低[4] 。自动选择方法通过 设计算法和模型，根据问题的特点自动选择满足应 用需求的算法，包括活跃测试（active test）方法、推荐 系统方法以及基于元学习（meta-learning）的方法[5-7] 。其中基于元学习的方法研究基础较为深厚，具备开销低和灵活度高等优点，成为了解决算法选择问题 的主要方法[8-9] 。本文对基于元学习的算法选择进行综述总结， 为研究人员了解相关领域的发展现状提供参考。