研究人员开发了一种新颖的元学习方法，用于超参数优化（HPO）和组合算法选择与超参数优化（CASH）。该方法利用基于性能的表示，通过配置在任务上的历史性能来描述配置，而不是依赖于显式的超参数编码。当应用于TabArena基准测试时，这种表示与线性贝叶斯岭回归模型相结合，在约一半的试验次数中实现了与现有元学习基线相当的调优性能。该方法为自动化机器学习提供了更简单、更具成本效益和可扩展的解决方案，尤其是在高维搜索空间中。 AI
影响 这项研究提供了一种更有效、更具成本效益的优化机器学习模型的方法，有望加速人工智能系统的开发和部署。
排序理由 该条目是一篇学术论文，详细介绍了一种新的超参数优化方法。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- automated machine learning
- Bayesian optimization
- Bayesian Ridge Regression
- Combined Algorithm Selection and Hyperparameter Optimization
- hyperparameter optimization
- Maximal Marginal Relevance
- TabArena
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
