PulseAugur
中
实时 23:33:24
English(EN) Bayesian Optimization with Fisher Information Geometry: Gradient Bounds and Trust-Region Methods

新的贝叶斯优化方法利用信息几何

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员通过信息几何的视角探索了贝叶斯优化（BO），并提出了一种名为FITR的新方法。该方法利用Fisher信息度量来分析输入空间中的局部敏感性，这有助于理解和界定采集函数的梯度。FITR旨在通过用局部回拉-Fisher权重取代传统的基于长度尺度的缩放来改进高维BO，并在具有SE核的基准测试中表现出竞争力。 AI

影响 这项研究可能带来更有效的复杂机器学习模型优化技术。

排序理由 该条目是一篇提交至arXiv的研究论文，详细介绍了一种新的贝叶斯优化方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

新的贝叶斯优化方法利用信息几何

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Saksham Kiroriwal, Julius Pfrommer, J\"urgen Beyerer ·

    基于Fisher信息几何的贝叶斯优化：梯度界限与信任域方法

    arXiv:2609.31107v1 Announce Type: cross Abstract: We study Bayesian optimization (BO) through the lens of information geometry. Pulling back the Fisher information metric through the surrogate posterior map yields a local sensitivity tensor on the input space, which leads to an u…

相关实体

相关话题