Выбор алгоритмов на основе портфеля (portfolio-based selection) показал значительные практические успехи за последние два десятилетия. Данная процедура настройки заключается в формировании набора различных параметров алгоритмов и последующем выборе наиболее эффективной конфигурации для конкретной задачи. Как правило, и сам портфель, и механизм выбора обучаются на наборе типичных примеров из прикладной области. Исследование посвящено анализу того, насколько успешно такие системы могут применяться к новым типам задач, не входившим в обучающую выборку.
Статья посвящена оптимизации выбора алгоритмов из готового «портфеля» для решения сложных вычислительных задач. Исследователи изучают механизмы обобщения, которые позволяют системе эффективно подбирать параметры алгоритма даже для новых, ранее не встречавшихся сценариев. Это теоретическое обоснование помогает создавать более универсальный ИИ, способный поддерживать высокую производительность в меняющихся условиях.