PulseAugur
中
实时 07:21:56
English(EN) Transfer Learning Architectures for Scalable Multi-Fidelity Bayesian Optimization

迁移学习在多保真度贝叶斯优化中优于高斯过程

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新的研究论文探讨了将迁移学习架构用作多保真度贝叶斯优化（MFBO）的核心组件。该研究在各种任务（包括合成函数以及化学和材料领域的实际问题）上，将十一种迁移学习代理与传统高斯过程（GPs）进行了基准测试。结果表明，在分子和材料问题上，迁移学习的性能显著优于GPs，以更少的计算量取得了更好的解决方案，使其成为这些领域MFBO的首选代理。 AI

影响 这项研究通过改进优化技术，有望在化学和材料科学领域实现更高效的AI驱动的发现。

排序理由 介绍和评估贝叶斯优化新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

迁移学习在多保真度贝叶斯优化中优于高斯过程

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Jaewook Lee, Ethan Errington, Christian D. Lorenz, Miao Guo ·

    面向可扩展多保真度贝叶斯优化的迁移学习架构

    arXiv:2607.23404v1 Announce Type: new Abstract: Self-driving laboratories increasingly rely on multi-fidelity Bayesian optimization (MFBO) to balance cheap, approximate evaluations against scarce, expensive ones, with a predictive surrogate at its core. Gaussian processes (GPs) a…

相关实体

相关话题