PulseAugur
中
实时 19:41:36
English(EN) Early-Stopping Thresholds for ES-HyperNEAT: A Data-Driven Approach from Fitness Dynamics

新方法优化 ES-HyperNEAT 训练，成本降低 41.6%

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种数据驱动的方法，用于 ES-HyperNEAT（一种进化算法）的超参数配置的提前停止。该方法使用适应度轨迹的二元分类来识别网络性能何时停滞，从而减少计算浪费。所提出的规则在验证试验中达到了 0.872 的 F1 分数，保留了超过 90% 的成功试验，同时将计算成本降低了 41.6%，并证明比 Hyperband 更有效。 AI

影响 该方法可以显著降低进化算法中训练复杂神经网络的计算成本。

排序理由 学术论文，详细介绍了优化进化算法的新颖方法。

在 arXiv cs.LG 阅读 →

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

新方法优化 ES-HyperNEAT 训练，成本降低 41.6%

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Research
学术论文，详细介绍了优化进化算法的新颖方法。
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
26 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Romain Claret, Arthur Gygax, Michael O'Neill, Paul Cotofrei, Pascal Felber ·

    ES-HyperNEAT 的早期停止阈值：一种基于适应度动态的驱动方法

    arXiv:2609.13533v1 Announce Type: cross Abstract: Most hyperparameter configurations for Evolvable-Substrate HyperNEAT (ES-HyperNEAT) produce networks that stagnate at random-guessing performance, wasting computational resources. We frame early stopping as binary classification o…

  2. arXiv cs.NE (Neural & Evolutionary) TIER_1 English(EN) · Pascal Felber ·

    ES-HyperNEAT 的早期停止阈值：来自适应度动态的数据驱动方法

    Most hyperparameter configurations for Evolvable-Substrate HyperNEAT (ES-HyperNEAT) produce networks that stagnate at random-guessing performance, wasting computational resources. We frame early stopping as binary classification on early fitness trajectories: for each trial, we c…

相关实体

相关话题