Weisfeiler‑Leman‑Features: Hyperparameter‑Studie mit 1.000.000 Proben
Die jüngste Veröffentlichung auf arXiv untersucht die Wirkung von Hyperparametern bei Weisfeiler‑Leman‑Features (WLF), einem klassischen Machine‑Learning‑Werkzeug, das sich für das Planen und Suchen als überlegen gegenüber tiefen Lernansätzen erwiesen hat.
WLFs ermöglichen es, Wertfunktionen für die Suche in symbolischen Planungsaufgaben effizient zu lernen. In der Studie wurden neue Hyperparameter eingeführt und deren Kompromisse sowie Effekte systematisch analysiert.
Die Experimente wurden auf einzelnen CPU‑Kernen mit einer Stichprobengröße von einer Million durchgeführt, um die Auswirkungen der Hyperparameter auf Training und Planung zu verstehen.
Die Ergebnisse zeigen, dass es ein robustes, optimales Hyperparameter‑Set gibt, das in den getesteten Planungsdomänen konsistent gute Leistungen erbringt. Interessanterweise minimiert dieses Set die Ausführungszeit, anstatt die Modell‑Ausdruckskraft zu maximieren.
Eine statistische Analyse ergab zudem, dass keine signifikante Korrelation zwischen den Trainings‑ und Planungsmetriken besteht.