研究人员推出了一种新方法——连续偏好贝叶斯优化(CPBO),旨在优化那些直接测量成本高昂或困难的目标。CPBO通过在比较中重复使用先前的候选对象来解决生成候选解决方案的生产成本问题,从而降低成本。该方法还纳入了“Just-Noticeable Difference”(感知差异阈值),以处理人类反馈中的感知模糊性,捕捉对微小效用差异的无差异。采用了一种适应性的信息论采集策略来选择信息量大的新配置,CPBO在生产成本高或反馈模糊的情况下,包括在食品挤压中的实际应用,都显示出更高的准确性。 AI
影响 这项新的优化技术可以提高AI模型训练和超参数调整的效率,尤其是在直接测量成本高昂的情况下。
排序理由 这是一篇详细介绍新优化方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- Aras Erarslan
- arXiv
- Bayesian optimization
- CatalyzeX
- Consecutive Preferential Bayesian Optimization
- DagsHub
- Gotit.pub
- Hugging Face
- IArxiv
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →