研究人员开发了NeuroPareto，这是一种新颖的架构，旨在在计算约束下优化高维搜索空间中的权衡。该系统集成了以排名为中心的过滤、不确定性解耦和历史条件采集策略，以有效地导航复杂的目标景观。NeuroPareto利用校准的贝叶斯分类器来估计认知不确定性，并利用深度高斯过程代理来区分预测不确定性，从而指导昂贵的评估趋向于平衡收敛性和多样性的区域。在标准基准套件和一次地下能源开采任务上的实验表明，与现有基线相比，NeuroPareto在Pareto邻近度和超体积方面表现更优。 AI
影响 这项研究通过降低计算成本，可能导致更高效的AI模型训练和超参数优化。
排序理由 该集群包含一篇详细介绍新优化方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
