层次交互神经网络

准确率提升22.67%

通过层次交互建模和分层正则化，精准捕捉配置选项间复杂关系，预测性能。

Jiezhu, Cheng · 高翠芸 · 郑子彬

ACM Transactions on Software Engineering and Methodology 2023

参数信息

平均预测准确率提升

22.67 %

验证系统数量

10

技术优势

准确率更高

通过嵌入方法和层次网络块建模选项间的复杂交互，预测准确率显著提升。

更稳健

层次正则化策略增强了模型对噪声和过拟合的抵抗力。

可解释

结合 Integrated Gradients 方法，层次架构能揭示选项交互复杂度和重要性，帮助理解系统行为。

应用场景

• 可配置系统性能预测：用模型快速预测不同配置下的性能，减少实际测量开销。
• 软件性能工程：在开发早期评估配置影响，指导性能优化决策。
• 机器学习模型优化：通过嵌入和层次正则化提升预测模型精度与稳健性。