การตัดทอนการกระทำแบบปรับตัว: การปรับขนาดการเลือกดัชนีสำหรับภาระงานที่ไม่เคยพบ

สารบัญลิงก์

บทคัดย่อและ 1. บทนำ

1. งานวิจัยที่เกี่ยวข้อง

   2.1 แนวทางการเลือกดัชนีแบบดั้งเดิม

   2.2 แนวทางการเลือกดัชนีแบบ RL

2. ปัญหาการเลือกดัชนี

3. วิธีการ

   4.1 การกำหนดปัญหา DRL

   4.2 การเรียนรู้เชิงลึกแบบเสริมแรงที่ตระหนักถึงอินสแตนซ์สำหรับการเลือกดัชนีที่มีประสิทธิภาพ

4. กรอบระบบของ IA2

   5.1 ขั้นตอนการประมวลผลเบื้องต้น

   5.2 ขั้นตอนการฝึกอบรมและการประยุกต์ใช้ RL

5. การทดลอง

   6.1 การตั้งค่าการทดลอง

   6.2 ผลการทดลอง

   6.3 การเปรียบเทียบประสิทธิภาพแบบครบวงจร

   6.4 ข้อมูลเชิงลึกที่สำคัญ

6. บทสรุปและงานในอนาคต และเอกสารอ้างอิง

6.4 ข้อมูลเชิงลึกที่สำคัญ

สรุปการทดลองที่ครอบคลุมของเรา IA2 แสดงถึงความก้าวหน้าที่สำคัญในการเลือกดัชนี โดยมีประสิทธิภาพเหนือกว่าวิธีการที่มีอยู่ในหลายด้านสำคัญ:

\ ประสิทธิภาพการฝึกอบรมที่รวดเร็ว: IA2 โดดเด่นด้วยความเร็วในการฝึกอบรมที่ไม่มีใครเทียบได้ โดยใช้ประโยชน์จากโมเดลต้นทุนแบบจำลองสถานการณ์และโมเดลที่ผ่านการฝึกอบรมล่วงหน้าเพื่ออำนวยความสะดวกในการปรับตัวและการเรียนรู้อย่างรวดเร็ว ประสิทธิภาพนี้ทำให้ IA2 สามารถลดเวลาการฝึกอบรมได้อย่างมากเมื่อเทียบกับคู่แข่ง ทำให้เหมาะสมอย่างยิ่งสำหรับสภาพแวดล้อมที่ความเร็วเป็นสิ่งสำคัญ

\ การสร้างแบบจำลองภาระงานขั้นสูง: ต่างจากวิธีการแบบคงที่หรือแบบละเอียดถี่ถ้วน IA2 ใช้การสร้างแบบจำลองภาระงานแบบไดนามิก ทำให้สามารถปรับตัวให้เข้ากับการสอบถามและโครงสร้างฐานข้อมูลที่เปลี่ยนแปลงได้อย่างราบรื่น ความยืดหยุ่นนี้รับประกันการเลือกดัชนีที่เหมาะสมที่สุดในสถานการณ์ที่หลากหลาย รวมถึงภาระงานที่ไม่เคยพบมาก่อน

\ การสำรวจพื้นที่การกระทำที่มีประสิทธิภาพ: IA2 แนะนำแนวทางที่เป็นนวัตกรรมในการตัดแต่งและนำทางพื้นที่การกระทำ โดยระบุการกระทำที่มีความหมายได้อย่างมีประสิทธิภาพในช่วงต้นของกระบวนการฝึกอบรม กลยุทธ์นี้แตกต่างจากเทคนิคที่ใช้ทรัพยากรมากกว่าของ SWIRL [6] หรือกฎเกณฑ์ที่เข้มงวดของ Lan et al. [7] โดยนำเสนอเส้นทางที่สมดุลในการเพิ่มประสิทธิภาพการกำหนดค่าดัชนีโดยไม่ต้องค้นหาอย่างละเอียดหรือทำให้เรียบง่ายเกินไป

\

:::info ผู้เขียน:

(1) Taiyi Wang, University of Cambridge, Cambridge, United Kingdom (Taiyi.Wang@cl.cam.ac.uk);

(2) Eiko Yoneki, University of Cambridge, Cambridge, United Kingdom (eiko.yoneki@cl.cam.ac.uk).

:::

:::info บทความนี้ มีให้บริการบน arxiv ภายใต้สัญญาอนุญาต CC BY-NC-SA 4.0 Deed (Attribution-Noncommercial-Sharelike 4.0 International)

:::

\