研究人员开发了一种名为概率精英成员资格（PEM）的新方法，用于在固定评估预算下改进噪声演化策略。该方法优先探索更多的分布更新（深度），而不是精炼每次更新的准确性（保真度）。PEM 整合了排名不确定性，以在减少离散度的同时保持条件均值更新，从而在预算受限的情况下有效优化策略搜索和超参数调整。 AI
影响 增强了策略搜索和超参数调整等人工智能任务的优化技术。
排序理由 该集群包含一篇详细介绍优化算法新方法的学术论文。
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 →
arXiv:2606.06555v1 Announce Type: cross Abstract: Noisy evolution strategies under fixed evaluation budgets face a depth-fidelity trade-off: spending evaluations to denoise intra-generation rankings reduces the number of distribution updates the optimizer can execute. We argue fo…
Noisy evolution strategies under fixed evaluation budgets face a depth-fidelity trade-off: spending evaluations to denoise intra-generation rankings reduces the number of distribution updates the optimizer can execute. We argue for depth over fidelity and propose probabilistic el…