一项新的研究论文指出了贝叶斯优化中常用的多任务高斯过程方法的关键缺陷。该论文详细介绍了这种常用方法如何在简单场景下也会因每任务标准化和边际似然计算问题而错误估计跨任务相关性。研究人员提出了三种补救措施来解决这些陷阱，旨在提高优化任务中迁移学习的准确性。 AI
影响 识别了优化机器学习模型的一种常用方法的潜在不准确性，并提出了改进建议以实现更可靠的超参数调整。
排序理由 该集群包含一篇详细介绍特定机器学习技术的理论发现和拟议补救措施的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.09073v1 Announce Type: new Abstract: Bayesian optimization routinely warm-starts a target experiment with data from related source tasks, and the multi-task Gaussian process is the textbook surrogate for the job. We revisit this default in a controlled setting and find…
Bayesian optimization routinely warm-starts a target experiment with data from related source tasks, and the multi-task Gaussian process is the textbook surrogate for the job. We revisit this default in a controlled setting and find that it misestimates the cross-task correlation…