연속 블랙박스 최적화의 알고리즘 선택을 위한 기하학적 프로빙
Geometric Probing for Algorithm Selection in Continuous Black-Box Optimization
연속 블랙박스 최적화(continuous black-box optimization)를 위한 자동화된 알고리즘 선택은 제한된 프로빙(probing) 예산 내에서 문제로부터 어떤 정보를 획득하고 그 정보를 어떻게 표현하는지에 따라 결정됩니다. 본 연구에서는 위치, 방향 및 스케일에 걸쳐 다중 스케일 2차원 제한(restriction)을 샘플링하고, 유효성 인식 합성곱(validity-aware convolutional) 처리 및 순열 불변(permutation-invariant) 집계를 통해 정규화된 목적 함수 값 맵을 인코딩하는 기하학적 프로빙 프레임워크를 제안합니다. 동일한 예산 조건, 문제 내 및 문제 수준 전이, 융합, 표현 및 예산 분석 하에서 제안 기법을 고전적 ELA 및 Deep-ELA와 비교합니다. 나아가 통제된 절제 연구(ablation study)를 통해 프로브 획득과 프로브 처리를 분리하여 분석합니다. 실험 결과에 따르면 제안된 시각적 표현은 ELA 계열 특징(feature)과 상호 보완적인 솔버 성능 정보를 드러내며, 문제 수준 전이 상황에서 상대적 기대 실행 시간 측면의 상대적 우위를 유지하는 반면, 더 넓은 탐색 범위나 더 풍부한 특징, 혹은 예측 용이성만으로는 더 나은 알고리즘 선택을 보장하지 못함을 보여줍니다.