研究人员开发了MMAO-Cls，这是一种利用代谢多智能体优化器（MMAO）来选择特征和调整机器学习模型中分类器的新方法。该方法联合编码特征掩码和分类器超参数，旨在优化准确性-复杂性权衡。虽然MMAO-Cls实现了强大的聚合验证目标分数，排名第二（仅次于GA-lite），但其在保留测试数据上的表现优于RandomSearch和GA-lite，尽管尚未达到统计学显著性。值得注意的是，MMAO-Cls在所比较的方法中展示了最紧凑的特征子集使用。 AI
影响 这项研究引入了一种新的优化技术，可能带来更高效、更紧凑的机器学习模型。
排序理由 该集群包含一篇详细介绍新机器学习优化方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.01539v1 Announce Type: cross Abstract: This paper studies whether the Metabolic Multi-Agent Optimizer (MMAO) can act as a credible outer-loop optimizer for classification model selection. We propose MMAO-Cls, a mixed-space realization in which each agent jointly encode…
This paper studies whether the Metabolic Multi-Agent Optimizer (MMAO) can act as a credible outer-loop optimizer for classification model selection. We propose MMAO-Cls, a mixed-space realization in which each agent jointly encodes a binary feature mask and classifier hyperparame…