PulseAugur
中
实时 15:21:50
English(EN) From Sorting Algorithms to Scalable Kernels: Bayesian Optimization in High-Dimensional Permutation Spaces

新的贝叶斯优化核可扩展至高维

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个在高维排列空间中进行贝叶斯优化（BO）的新框架，解决了当前方法在可扩展性方面存在的局限性。所提出的方法利用源自排序算法的核函数，引入了一种基于归并排序的新型“归并核”。该核提供了一种紧凑的表示，其复杂度为 \Theta(n\log n)，在维度增加时，在优化性能和计算效率方面均优于传统的Mallows核。研究结果表明，该方法可以解决大规模特征排序和组合式神经架构搜索等复杂问题。 AI

影响 能够为神经架构搜索等复杂AI任务提供更有效的优化。

排序理由 学术论文，介绍了一种针对特定AI问题领域的新颖技术方法。[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 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Zikai Xie, Linjiang Chen ·

    From Sorting Algorithms to Scalable Kernels: Bayesian Optimization in High-Dimensional Permutation Spaces

    arXiv:2507.13263v4 Announce Type: replace-cross Abstract: Bayesian Optimization (BO) is a powerful tool for black-box optimization, but its application to high-dimensional permutation spaces is severely limited by the challenge of defining scalable representations. The current st…

相关实体

相关话题