PulseAugur
中
实时 07:10:03

ES-HyperNEAT 超参数优化使用 TPE 方法显示出潜力

作者 PulseAugur 编辑部 · [2 个来源] ·

一项新研究探索了使用树状结构 Parzen 估计器 (TPE) 方法优化 ES-HyperNEAT（一种神经进化算法）的超参数。研究人员针对 MNIST 分类任务调查了超过 30 亿种超参数组合，发现 TPE 的性能显著优于随机搜索。最佳配置在 MNIST 上达到了 29.00% 的准确率，并且比先前研究使用了更少的资源。该研究还考察了这些优化后的超参数在逻辑运算和 Fashion-MNIST 数据集上的可迁移性，结果显示在 Fashion-MNIST 上取得了成功，但在迁移到更简单的逻辑任务方面效果有限。 AI

影响 这项研究提供了一种提高神经进化算法效率和有效性的方法，有可能加速相关人工智能领域的开发。

排序理由 该集群包含一篇学术论文，详细介绍了针对特定人工智能算法的超参数优化新方法。

在 arXiv cs.NE (Neural & Evolutionary) 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

ES-HyperNEAT 超参数优化使用 TPE 方法显示出潜力

本文如何被排名

Signal score
2 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Research
该集群包含一篇学术论文，详细介绍了针对特定人工智能算法的超参数优化新方法。
Source corroboration
2 independent sources
Multiple independent publishers reporting the same story raises confidence that it's real and newsworthy.
Topics
paper, other
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
1 days old
Coverage has settled into its steady-state source set.

完整方法见我们的编辑标准。

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Romain Claret, Michael O'Neill, Paul Cotofrei, Kilian Stoffel ·

    Investigating Hyperparameter Optimization and Transferability for ES-HyperNEAT: A TPE Approach

    arXiv:2609.00449v1 Announce Type: cross Abstract: Neuroevolution of Augmenting Topologies (NEAT) and its advanced version, Evolvable-Substrate HyperNEAT (ES-HyperNEAT), have shown great potential in developing neural networks. However, their effectiveness heavily depends on the s…

  2. arXiv cs.NE (Neural & Evolutionary) TIER_1 English(EN) · Kilian Stoffel ·

    Investigating Hyperparameter Optimization and Transferability for ES-HyperNEAT: A TPE Approach

    Neuroevolution of Augmenting Topologies (NEAT) and its advanced version, Evolvable-Substrate HyperNEAT (ES-HyperNEAT), have shown great potential in developing neural networks. However, their effectiveness heavily depends on the selection of hyperparameters. This study investigat…

相关实体

相关话题