PulseAugur
中
实时 07:48:52
English(EN) Simple-regret rates and minimax optimality of fixed-prior expected improvement in Mat\'ern and squared-exponential RKHSs

新研究探讨了RKHS中优化问题的预期改进策略

作者 PulseAugur 编辑部 · [1 个来源] ·

本文研究了在再生核希尔伯特空间（RKHS）中优化确定性目标函数的预期改进（EI）策略。研究人员使用具有Matérn和平方指数核的高斯过程模型分析了EI的性能，并为简单遗憾建立了有限预算界限。研究结果表明，EI策略在RKHS球上实现了Matérn核的minimax速率最优性，以及平方指数核的近最优性。 AI

影响 为与机器学习模型训练和超参数调整相关的优化策略提供了理论见解。

排序理由 这是一篇发表在arXiv上的研究论文，详细介绍了机器学习领域的理论发现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

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

新研究探讨了RKHS中优化问题的预期改进策略

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Emmanuel Vazquez, S\'ebastien Petit ·

    Matérn和平方指数RKHS中固定先验期望改进的简单遗憾率和minimax最优性

    arXiv:2607.29245v1 Announce Type: new Abstract: We study the expected improvement (EI) policy for minimizing a deterministic objective function $f$ on a nonempty compact set $\mathcal X \subset\mathbb R^d$. We assume that $f$ belongs to the RKHS $\mathcal H_k$ of a continuous pos…

相关实体

相关话题