深度算法预测模型的数据优化

摘要

在所有的问题场景中运行所有可能的解决方案时,没有哪一种解决方案的性能始终优于其他选项。这个事实促使人们使用定制的方法,即可以根据特定的问题输入自动预测可行的算法。在主流的预测方法几乎都依赖人工设计特征的情况下,近些年来深度学习开始被用于问题实例特征的自动化提取。算法预测数据集的特殊性导致最终输入训练模型的样本与标签存在诸多变数,从而影响深度模型在该数据集上的学习能力。因此,论文是在原始方法的基础上通过改进数据样本和算法标签的生成提升了在某些数据集上基于深度模型的算法预测任务性能。