Hyper heuristic based on great deluge and its variants for exam timetabling problem
University of Computer Studies, Yangon（计算机大学（仰光））
目前，高校排课问题每年都有发生，而且解决起来非常困难和耗时。本文描述了基于大规模启发式算法（GD）及其变体的超启发式算法（HH），用于解决来自不同领域的大规模、高约束的排序问题。一般来说，在超启发式框架中，有两个主要阶段：启发式选择和移动接受。本文着重于后一阶段的开发超启发式（HH）框架。本文的主要贡献是将大规模学习（GD）及其变体：弹性学习（FD）、非线性学习（NLGD）、扩展大规模学习（EGD）作为HH中的移动接受方法，并结合强化学习（RL），对这些HH方法在考试基准命题问题上进行了测试，并给出了最佳结果和比较分析。
2012-02-09 cs.AI
A Markov Decision Process for Variable Selection in Branch & Bound
EDF R&D（EDF研发部）；CNAM Paris（CNAM巴黎分校）；ENSTA IP Paris（ENSTA IP巴黎分校）；ISAE-SUPAERO
本文提出BBMDP，一个用于分支定界中变量选择的标准马尔可夫决策过程框架，可适配多种强化学习算法，实验证明其在四个标准MILP基准上优于现有最先进RL智能体。
2025-10-22 cs.LG
A Reinforcement Learning Hyper-Heuristic in Multi-Objective Single Point Search with Application to Structural Fault Identification
University of Connecticut（康涅狄格大学）
多目标优化问题是工程实践中经常遇到的问题。然而，解决方法和参数选择通常是针对具体问题的。在这项研究中，我们制定了一个强化学习超启发式计划，并提出了四个低层次的启发式，可以与单点搜索算法MOSA/R（基于Re-seed的多目标模拟退火算法）对多目标优化问题的一般应用。该算法利用控制量、拥挤距离和超体积计算，能够自适应地、自主地满足各种优化要求。开发的方法不仅表现出更好的和更强大的性能相比，AMOSA，NSGA-II和MOEA/D时，应用于基准测试用例，但也显示出有前途的结果时，应用到一个通用的结构故障识别问题。本研究的结果可以扩展到各种设计和制造优化应用。
2018-10-29 cs.LG
A Heuristic-Integrated DRL Approach for Phase Optimization in Large-Scale RISs
Communication Systems and Networks Research Group, University of Bristol（布里斯托大学通信系统与网络研究组）；Bristol Research & Innovation Laboratory, Toshiba Europe Ltd.（布里斯托研究与创新实验室，东芝欧洲有限公司）
本文提出启发式集成DRL框架，结合DDQN多步累积动作与贪心算法逐元素优化，在小动作空间内实现大规模RIS离散相移的高效优化。
2025-05-07 cs.LG eess.SP
Learning a Generic Value-Selection Heuristic Inside a Constraint Programming Solver
Polytechnique Montréal（蒙特利尔理工学院）；Ecole Polytechnique（巴黎综合理工学院）
针对约束规划中通用值选择启发式稀缺的问题，提出结合深度 Q-learning、定制奖励与异构图神经网络的学习流程，在多类图问题上以较少回溯获得接近最优的解。
2023-10-02 cs.AI cs.LG
Bayesian Optimisation with Gaussian Processes for Premise Selection
University of Cambridge（剑桥大学）
定理证明器中的启发式通常是参数化的。现代的定理证明器，如Vampire，利用了大量的算法来控制搜索空间的爆炸，从而需要优化大量的参数。在这个多维参数空间中的穷举搜索在大多数情况下是棘手的，然而证明器的性能高度依赖于参数分配。在这项工作中，我们引入了一个原则性的概率框架，在定理证明优化。我们目前的结果使用启发式的前提选择和正式证明（AFP）的档案作为案例研究。
2019-09-18 cs.AI cs.LG
Unit Selection: Case Study and Comparison with A/B Test Heuristic
University of California Los Angeles（加州大学洛杉矶分校）
Li和Pearl定义的单位选择问题确定了具有期望的反事实行为模式的个体，例如，如果受到鼓励，个体会积极响应，否则不会。Li和Pearl通过实例说明了他们的单元选择模型是超越A/B检验的。本文揭示了A/B检验算法的本质，它是Li和Pearl定义的效益函数的特例。此外，我们提供了更多的模拟使用情况下，李珍珠的单元选择模型，以帮助决策者正确地应用他们的模型，说明A/B测试的技巧，通常是有问题的。
2022-10-10 cs.AI cs.DM
DiabML: AI-assisted diabetes diagnosis method with meta-heuristic-based feature selection
本研究针对糖尿病早期检测需求，结合AIoMT技术提出融合BWO元启发式特征选择与SMOTE不平衡处理的DiabML混合诊断方法，经实验验证其AdaBoost分类准确率达86.1%，优于现有相关方法。
2024-10-30 cs.AI cs.LG
Enhancing Selection Hyper-heuristics via Feature Transformations
School of Engineering and Sciences, Tecnologico de Monterrey（蒙特雷理工学院工程与科学学院）；CINVESTAV-IPN（墨西哥国立理工学院高级研究中心）
超能力是一种新的工具。它们处理复杂的优化问题，其中独立的求解器表现出不同的性能。在这样一个工具中，存在选择超空间学。通过结合每个求解器的优势，这种超启发式提供了一个更强大的工具。然而，它们的有效性高度依赖于用于将它们与正在解决的问题联系起来的“功能”。针对增强选择超验性，本文提出了两种类型的转换：显式和隐式。第一种方法直接改变特征域内临界点的分布，同时使用欧几里德距离来测量邻近度。第二种方法通过保持临界点的分布，但通过核函数改变距离度量来间接操作。我们着重分析每一种转换的效果，以及它们的组合。我们测试我们的想法在域的约束满足问题，因为它们的流行和许多实际应用。在这项工作中，我们将我们的建议与先前公布的数据进行比较。此外，我们通过增加分析特征的数量来扩展以前的研究。我们发现，通过将转换纳入选择超进化模型，可以提高整体性能，产生更稳定的结果。然而，将隐式和显式转换结合起来并没有那么富有成效。此外，我们还对背包问题进行了一些验证性测试。再次，我们观察到稳定性的改善，导致产生利润的标准差在20%到30%之间的超自动化。
2018-12-12 cs.AI
Graph-based Heuristic Search for Module Selection Procedure in Neural Module Network
The University of Tokyo（东京大学）
神经模块网络（Neural Module Network，NMN）是一种用于解决视觉问答任务的机器学习模型。NMN使用程序对模块结构进行编码，其模块化的体系结构使其能够更合理地解决逻辑问题。然而，由于模块选择的不可微过程，NMN很难被端到端地训练。为了克服这个问题，现有的工作要么包括地面实况程序到训练数据或应用强化学习来探索程序。然而，这两种方法都有缺点。考虑到这一点，我们提出了一个新的学习框架NMN。基于图的启发式搜索是我们提出的一种在程序图（Program Graph）的数据结构上进行启发式搜索来发现最优程序的算法。在FigureQA和CLEVR数据集上的实验表明，该方法可以在不需要Ground-Truth程序的情况下实现NMN的训练，并且在程序探索中比现有的强化学习方法具有更高的效率。
2020-09-30 cs.AI
Heuristic-enhanced Candidates Selection strategy for GPTs tackle Few-Shot Aspect-Based Sentiment Analysis
College of Computer Science（计算机学院）；Sichuan University（四川大学）
针对少样本基于方面的情感分析中PLM方法难适配多子任务、GPT方法表现差的问题，提出启发式增强候选选择策略及两阶段AiO模型，兼顾准确性与泛化性，在五个基准数据集上表现优于直接使用GPTs的方法。
2024-08-19 cs.AI cs.CL cs.LG
Key Principles in Cross-Domain Hyper-Heuristic Performance
Faculty of Informatics, Masaryk University（信息技术学院，马萨里克大学）；Christian Doppler Laboratory for Artificial Intelligence and Optimization for Planning and Scheduling, DBAI, TU Wien（人工智能与规划调度优化的克里斯蒂安·多普勒实验室，DBAI，维也纳技术大学）
本研究聚焦跨域选择超启发式的低层启发式集合构成与策略变换，基于解接受度、LLH重复、扰动强度三原则优化，使简单随机选择方法及现有超启发式算法在基准和真实域上性能提升。
2025-09-02 cs.AI
Farthest-Point Heuristic based Initialization Methods for K-Modes Clustering
k-modes算法已经成为解决不同应用领域中分类数据聚类问题的一种流行技术。然而，该算法需要随机选择聚类的初始点。不同的初始点往往会导致相当不同的聚类结果。在本文中，我们提出了一个实验研究应用最远点启发式的初始化方法的k模式聚类，以提高其性能。实验结果表明，新的初始化方法导致更好的聚类精度比随机选择初始化方法的k-模式聚类。
2006-10-09 cs.AI
Feature selection with test cost constraint
Zhangzhou Normal University（漳州师范学院）；Tianjin University（天津大学）
特征选择是机器学习和数据采掘中重要的预处理步骤。在现实世界的应用程序中，需要成本，包括金钱，时间和其他资源，以获得功能。在某些情况下，由于资源有限，存在测试成本约束。我们将故意选择一个信息丰富且廉价的特征子集进行分类。针对这一问题，提出了带测试成本约束的特征选择问题.新问题具有简单的形式，同时描述为一个约束满足问题（CSP）。回溯算法是求解CSP问题的一种通用算法，对于中等规模的数据，回溯算法是解决新问题的有效方法。由于回溯算法不适用于大型数据集，还开发了一种启发式算法。实验结果表明，该启发式算法在大多数情况下都能找到最优解。我们还重新定义了一些现有的特征选择问题的粗糙集，特别是决策理论粗糙集，从CSP的观点。这些新的定义提供了一些新的研究方向的见解。
2012-09-25 cs.AI cs.LG
Optimization of Heterogeneous Systems with AI Planning Heuristics and Machine Learning: A Performance and Energy Aware Approach
Blekinge Tekniska Hogskola（布莱金厄理工学院）；Linnaeus University（林奈大学）
异构计算系统提供高性能和高能效。然而，为了最佳地利用这些系统，需要跨主机CPU和加速设备分配工作的解决方案。在本文中，我们提出了一种性能和能量感知方法，该方法将用于参数空间探索的AI规划算法与用于性能和能量评估的机器学习模型相结合，以确定接近最优的系统配置。对于数据并行应用程序，我们的方法确定了一个接近最佳的主机设备分配的工作，所需的处理单元的数量和相应的调度策略。我们评估了我们的方法，用于使用GPU或英特尔至强融核加速的各种异构系统。实验结果表明，我们的方法找到一个接近最优的系统配置，通过评估只有约7%的合理配置。此外，使用我们的机器学习模型的系统配置的每焦耳性能估计比通过程序执行的系统评估快1000倍以上。
2021-06-02 cs.AI cs.LG cs.SE
Automated Algorithm Selection: from Feature-Based to Feature-Free Approaches
Edinburgh Napier University（爱丁堡龙比亚大学）
我们提出了一种新的算法选择技术，适用于优化领域，其中有隐含的顺序信息封装在数据中，例如，在线打包具体来说，我们训练两种类型的递归神经网络预测包装启发式在线装箱，从四个著名的启发式。作为输入，RNN方法只使用项目大小的序列。这与典型的算法选择方法形成对比，典型的算法选择方法需要使用需要首先从输入数据导出的特定于域的实例特征来训练模型。RNN方法被证明能够在80.88%到97.63%的实例上实现Oracle性能的5%以内，具体取决于数据集。它们的表现也优于使用派生特征训练的经典机器学习模型。最后，我们假设，所提出的方法表现良好时，表现出一些隐含的结构，导致歧视性的性能方面的一组prostitics的实例。我们通过生成14个新的数据集来测试这一假设，这些数据集具有不断增加的结构层次，并表明在算法选择提供益处之前需要一个关键的结构阈值。
2022-03-24 cs.AI cs.LG cs.NE
MFH: A Multi-faceted Heuristic Algorithm Selection Approach for Software Verification
针对软件验证中算法选择依赖专家且现有方法可扩展性差的问题，提出MFH方法，利用验证器启发信息、分解任务并引入反馈，在无标签训练下达91.47%准确率，且扩展新验证器时准确率仅降0.84%。
2025-05-23 cs.AI cs.LG cs.SE
Class-Based Heuristic Selection for Solving the Flying Block Puzzle
Faculty of Computer Engineering（计算机工程学院）；University of Tehran（德黑兰大学）；K. N. Toosi University of Technology（霍加·纳绥尔·丁·图西大学）；Department of Electrical and Computer Engineering（电气与计算机工程学院）；University of Kurdistan（库尔德斯坦大学）
针对启发式搜索在空间规划中的性能问题，提出CBHA*算法，在146个飞行方块谜题基准实例上大幅提升成功率、减少节点扩展，为高效空间规划提供了可推广的自适应启发式机制。
2026-08-31 cs.AI
Large Neighborhood Search based on Neural Construction Heuristics
University of Hildesheim（希尔德斯海姆大学）
提出了一种基于神经网络的学习构造启发式算法作为修复算子的大邻域搜索（LNS）方法来求解带时间窗的车辆路径问题（VRPTW）。我们的方法使用图神经网络对问题进行编码，并对解决方案进行自回归解码，并在施工任务上使用强化学习进行训练，而不需要任何标签进行监督。神经修复算子与局部搜索例程、启发式破坏算子和应用于小群体的选择过程相结合，以达到复杂的解决方案。其关键思想是使用学习的模型来重建部分破坏的解决方案，并通过破坏策略（或随机策略本身）引入随机性，以有效地探索大的邻域。
2022-05-10 cs.AI cs.LG
LFHE: Local-First Heuristic Evolution for Bounded Local Topology Search in Decentralized Learning with Non-IID Data
Durham University（杜伦大学）；University of Cambridge（剑桥大学）
针对非独立同分布数据下分散式学习的拓扑敏感问题，提出本地优先启发式进化（LFHE）框架，仅用局部信息进行受限拓扑搜索，在四个基准上取得竞争性能，并揭示性能与局部性的权衡。
2026-10-07 cs.AI cs.LG
Heuristic Rank Selection with Progressively Searching Tensor Ring Network
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Harbin Institute of Technology(Shenzhen)（哈尔滨工业大学（深圳））；Pengcheng Lab（鹏城实验室）
最近，张量环网络（TRN）已经应用于深度网络，在压缩率和准确性方面取得了显著的成功。虽然高度相关的TRN的性能，秩选择很少在以前的工作中研究，通常设置为相等的实验。同时，没有任何探试法来选择秩，枚举的方法来找到合适的秩是非常耗时的。有趣的是，我们发现部分排名元素是敏感的，通常聚集在一个狭窄的区域，即感兴趣的区域。因此，基于上述现象，我们提出了一种新型的渐进式遗传算法--渐进搜索张量环网络搜索（PSTRN），该算法具有精确、高效地找到最佳排名的能力。通过进化阶段和渐进阶段，PSTRN可以快速收敛到感兴趣的区域，并获得良好的性能。实验结果表明，与枚举法相比，PSTRN能显著降低求秩的复杂度。此外，我们的方法在MNIST，CIFAR 10/100，UCF 11和HMDB 51等公共基准上进行了验证，达到了最先进的性能。
2021-05-30 cs.AI cs.CV
A Topological Approach to Meta-heuristics: Analytical Results on the BFS vs. DFS Algorithm Selection Problem
ANU（澳大利亚国立大学）
搜索是人工智能的核心问题，而广度优先搜索（BFS）和深度优先搜索（DFS）是两种最基本的搜索方式。在本文中，我们得到平均BFS和DFS运行时间的估计。平均运行时间估计可以用来分配资源或判断问题的难度。它们还可以用于选择最佳的图形表示，以及从BFS和DFS中选择更快的算法。它们也可能构成分析更高级搜索方法的基础。本文处理树搜索和图搜索。对于树搜索，我们采用目标分布的概率模型;对于图搜索，分析取决于路径冗余和平均分支因子的额外统计。作为一个应用程序，我们使用的结果来预测BFS和DFS运行时的两个具体的语法问题和N-难题。实验验证表明，我们的分析近似接近经验现实。
2018-04-12 cs.AI
VHPOP: Versatile Heuristic Partial Order Planner
School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机学院）
VHPOP是一个松散地基于UCPOP的偏序因果链接（POCL）规划器。它借鉴了20世纪90年代早期到中期POCL规划中缺陷选择策略的经验，并将其与领域独立规划领域的最新发展相结合，如基于距离的规划和可达性分析。我们提出了一个适应的添加剂启发式计划空间规划，并修改它，以考虑可能重用的计划中现有的行动。我们还提出了一套新的缺陷选择策略，并展示了如何这些可以帮助我们解决更多的问题比以前可能的POCL规划。VHPOP还支持规划与持续性的行动纳入标准技术的时间约束推理。我们证明了同样的启发式技术，用于提高经典POCL规划的性能可以有效的持续性行动领域以及。其结果是一个通用的启发式POCL规划竞争力与既定的CSP为基础的启发式状态空间规划。
2011-06-24 cs.AI
NeSHFS: Neighborhood Search with Heuristic-based Feature Selection for Click-Through Rate Prediction
Middle East Technical University（中东技术大学）；Arizona State University（亚利桑那州立大学）
针对CTR预测中特征冗余、计算成本高及现有特征选择算法效果不足的问题，提出启发式算法NeSHFS，可降本提效，经三个公开数据集实验验证了其有效性。
2024-09-13 cs.AI cs.IR
Informed Heuristics for Guiding Stem-and-Cycle Ejection Chains
NICTA（澳大利亚国家信息与通信技术研究院）；The Australian National University（澳大利亚国立大学）
最先进的本地搜索的旅行商问题是占主导地位的弹射链的方法，利用茎和循环参考结构。虽然有效的算法在其后继选择策略中使用很少的信息，通常只寻求最小化移动的成本。我们提出了一种替代方法的灵感来自人工智能文献，并展示了如何可接受的启发式可以用来指导继任者的选择。我们进行了实证分析，并表明，这种技术往往会产生更好的结果比不知情的战略，虽然在成本较高的多项式时间运行。
2011-03-21 cs.AI cs.DM
DASH: Dynamic Approach for Switching Heuristics
University College Cork（科克大学）；Oracle（甲骨文公司）；Monash University（莫纳什大学）
完全树搜索是解决MIP问题的一种非常有效的方法，多年来，已经引入了大量的分支算法来进一步完善该技术以解决各种问题。最近，投资组合算法已经将这一过程向前推进了一步，试图为手头的每个实例预测最佳启发式。然而，算法选择背后的动机还可以更进一步，并用于为每个遇到的子问题动态选择最合适的算法。在本文中，我们确定了一个特征空间，捕获的分支树和子问题的实例从相同的MIP模型之间的相似性的问题的演变。我们将展示如何利用这些功能来决定切换分支启发式的最佳时间，然后展示如何有效地训练这样的系统。一个高度异构的MIP实例集合上的实验表明，对于一个给定的实例，在整个搜索过程中只使用一个启发式的纯算法选择方法显着的收益。
2013-07-17 cs.AI
Selection Hyper-heuristics Can Automatically Adjust the Learning Period to Optimally Solve Pseudo-Boolean Problems
Laboratoire d’Informatique (LIX), CNRS, École Polytechnique, Institut Polytechnique de Paris（信息实验室（LIX），法国国家科学研究中心，巴黎高等理工学院，巴黎理工学院）；Department of Computer Science and Engineering, Southern University of Science and Technology（计算机科学与工程系，南方科技大学）；School of Computing & Communications, Lancaster University Leipzig（计算与通信学院，莱斯特大学莱比锡分校）
本文提出一种自动设置学习周期参数的超启发式方法，证明其能在1-o(1)比例的迭代中选择最优邻域大小，从而以最优时间（忽略低阶项）优化LeadingOnes基准问题。
2026-08-27 cs.AI cs.DS cs.NE
An Exploratory Study on Simulated Annealing for Feature Selection in Learning-to-Rank
University of Dhaka（达卡大学）
本文探索了模拟退火在学习排序特征选择中的应用，通过引入进度参数等新策略优化搜索空间遍历，并在五个基准数据集上验证了其优于局部束搜索的有效性。
2023-10-20 cs.AI cs.IR cs.LG
A Comparative Study of Demonstration Selection for Practical Large Language Models-based Next POI Prediction
National Institute of Advanced Industrial Science and Technology（日本国立先进工业科学技术研究所）
本文比较了基于大语言模型的POI预测中演示选择策略，评估了启发式方法在计算成本和预测精度上的优势。
2026-03-16 cs.AI cs.CL
Example Selection For Dictionary Learning
University of California, San Diego（加利福尼亚大学圣迭戈分校）
在无监督学习中，通常使用无偏均匀采样策略，以便学习的特征忠实地编码训练数据的统计结构。在这项工作中，我们探讨是否积极的例子选择策略-算法，选择使用哪些例子，根据当前的估计功能-可以加速学习。具体来说，我们调查的启发式和显着性启发的选择算法的字典学习任务与稀疏激活的效果。我们证明了一些选择算法确实提高了学习的速度，并推测了它们可能起作用的原因。
2015-03-31 cs.AI cs.LG stat.ML
Explainable Benchmarking for Iterative Optimization Heuristics
Leiden University（莱顿大学）；LIACS（莱顿高级计算机科学研究所）
本文提出可解释基准测试方法并引入IOH-Xplainer框架，系统分析迭代优化启发式算法中不同组件和超参数对性能的影响，以提升基准测试和算法设计的透明性与可理解性。
2024-02-23 cs.AI cs.NE
Speeding Up Hyper-Heuristics With Markov-Chain Operator Selection and the Only-Worsening Acceptance Operator
本研究针对移动接受超启发式算法，提出马尔可夫链算子选择与仅恶化接受算子两项改进，大幅降低多类基准函数的运行时间，证明其在含连续局部最优函数的新基准类上的优异性能。
2025-09-01 cs.AI cs.DS cs.NE
Two new feature selection methods based on learn-heuristic techniques for breast cancer prediction: A comprehensive analysis
Kharazmi University（哈拉兹米大学）；University of Tehran（德黑兰大学）
本文提出基于帝国主义竞争算法和蝙蝠算法的两种新型特征选择方法，用于乳腺癌预测，实验表明蝙蝠算法结合随机森林准确率达99.12%，并可降低数据维度高达90%。
2024-08-07 cs.AI cs.LG cs.NE
Next Best View Selections for Semantic and Dynamic 3D Gaussian Splatting
University of Pennsylvania（宾夕法尼亚大学）
本文提出基于Fisher信息的主动学习算法，用于语义与动态3D高斯散射的视角选择，提升渲染质量和语义分割性能。
2025-12-28 cs.AI cs.CV
DaSAThco: Data-Aware SAT Heuristics Combinations Optimization via Large Language Models
Minyu Chen, Guoqiang Li（作者）
提出 DaSAThco 框架，利用大语言模型和 Problem Archetypes 学习从实例特征到定制启发式集合的泛化映射，实现 SAT 求解器一次训练广泛适应，展现出强大的域外泛化能力。
2025-09-16 cs.AI cs.CL
Solving Travelling Thief Problems using Coordination Based Methods
Data61 / CSIRO（Data61 / 澳大利亚联邦科学与工业研究组织）；Griffith University（格里菲斯大学）；University of Newcastle（纽卡斯尔大学）
本文针对旅行窃贼问题中城市选择与物品选择协调不足的问题，提出三种协调启发式方法（两种人工设计、一种机器学习），并构建 CoCo 求解器，在基准问题上显著超越现有最先进方法。
2023-10-11 cs.AI
Randomized HyperSteiner: A Stochastic Delaunay Triangulation Heuristic for the Hyperbolic Steiner Minimal Tree
School of Electrical Engineering and Computer Science, KTH Royal Institute of Technology（KTH皇家理工学院电气工程与计算机科学学院）；Amsterdam Machine Learning Lab (AMLab), University of Amsterdam（阿姆斯特丹大学阿姆斯特丹机器学习实验室）；School of Engineering Sciences, KTH Royal Institute of Technology（KTH皇家理工学院工程科学学院）；Leiden Institute of Advanced Computer Science, Universiteit Leiden（莱顿大学莱顿高级计算机科学研究所）
本文提出Randomized HyperSteiner算法，通过引入随机性改进超几何Steiner最短树的计算，实验显示其在合成数据和真实数据中优于MST、Neighbour Joining和传统HyperSteiner方法。
2026-03-30 cs.AI cs.CG
Evaluating Active Learning Heuristics for Sequential Diagnosis
Alpen-Adria Universität Klagenfurt（阿尔卑斯-亚德里亚克拉根福大学）
给定一个故障系统，顺序诊断的目的是根据异常行为的系统组件来识别故障的根本原因。由于最初的系统观测通常不足以确定性地确定系统行为异常的一种解释，因此额外的系统测量可以帮助区分可能的解释。目的是限制解释的空间，直到只剩下一个（高度可能的）解释。为了用最小成本的测量集来实现这一点，已经提出了用于选择最佳下一测量的各种（主动学习）算法。我们报告的初步结果，广泛的正在进行的实验与一组选择药理学对现实世界的诊断情况。特别是，我们试图回答这样的问题：“一些启发式总是优于所有其他的吗？“，“什么样的因素决定了特定物流的（相对）绩效？或者“在什么情况下我应该使用哪种启发式？“"
2022-08-05 cs.AI
Configuration Over Selection: Hyperparameter Sensitivity Exceeds Model Differences in Open-Source LLMs for RTL Generation
NYU Tandon School of Engineering（纽约大学坦顿工程学院）；NYU Abu Dhabi（纽约大学阿布扎比分校）；Kansas State University（堪萨斯州立大学）
研究通过对比26个开源LLM在VerilogEval和RTLLM上的表现，发现超参数配置对RTL生成效果影响显著，优于模型选择，揭示了配置优化的重要性。
2026-04-18 cs.AI cs.AR
