PulseAugur
中
实时 21:58:48
English(EN) Neural Global Optimization via Iterative Refinement from Noisy Samples

神经网络在全局优化任务中达到72%的成功率

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的神经网络方法，用于黑盒函数的全局优化，特别是在处理噪声样本时。该方法通过迭代地从初始猜测向真实的全局最小值进行细化，其性能优于传统的贝叶斯优化和无梯度方法。在多模态函数测试中，该神经网络方法的平均误差为8.05%，显著优于样条初始化，并在72%的情况下成功找到了误差在10%范围内的全局最小值。 AI

影响 这种新的全局优化神经网络方法有望加速跨计算领域的科学发现和复杂问题解决。

排序理由 详细介绍全局优化新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

神经网络在全局优化任务中达到72%的成功率

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Qusay Muzaffar, David Levin, Michael Werman ·

    基于噪声样本的迭代精炼的神经全局优化

    arXiv:2604.03614v2 Announce Type: replace-cross Abstract: Global optimization of black-box functions from noisy samples is a fundamental challenge in machine learning and scientific computing. Traditional methods such as Bayesian Optimization often converge to local minima on mul…

相关实体

相关话题