Bayesian optimization
PulseAugur coverage of Bayesian optimization — every cluster mentioning Bayesian optimization across labs, papers, and developer communities, ranked by signal.
- instance of alphaXiv 90%
- uses Gaussian Processes 90%
- used by botorch 90%
- used by Gaussian Processes 80%
- used by alphaXiv 70%
- used by ScienceCast 70%
- used by Gotit.pub 70%
- instance of ScienceCast 70%
- used by CatalyzeX 70%
- instance of CatalyzeX 70%
- used by CORE Recommender 70%
- affiliated with Gaussian Processes 70%
11 天有情绪数据
-
新框架探索光量子神经网络用于金融市场预测
研究人员开发了 Q-PhotoMarket，这是一个旨在探索用于金融市场预测的光子混合量子神经网络 (HQNN) 的广阔设计空间的框架。该框架系统地评估了美国、印度和加密货币市场中超过 5,000 种不同的光子配置，包括输入状态、电路架构和测量策略。研究发现了持续的架构模式，并确定了可与经典机器学习基线相媲美的稳健的高性能设计，同时还纳入了在数据不平衡条件下可靠评估的方法。
-
新的数字孪生框架利用人工智能进行桥梁健康监测
研究人员开发了一种新颖的框架，利用车辆集成式传感技术部署桥梁的数字孪生。该方法结合了基于物理的模型和机器学习，特别是利用傅里叶神经网络算子（Fourier Neural Operator）对车辆-桥梁和车辆-道路相互作用进行快速代理建模。通过贝叶斯优化（Bayesian optimization）对系统进行优化，以增强桥梁信息的提取，同时最大限度地减少道路条件和车辆动力学带来的噪声。采用了包含对抗性自编码器（adversarial a…
-
新的 CATune 框架使用 LLM 提取的约束来优化 DBMS 配置
研究人员开发了 CATune，一个用于优化数据库管理系统 (DBMS) 配置的新框架。与先前将配置空间视为无约束的方法不同，CATune 显式地对配置旋钮之间的确定性排序约束进行建模。这种方法允许在有效子空间内进行优化，避免了昂贵的无效配置采样。该框架还包括一个使用 LLM 从文档中提取这些约束的管道，提高了鲁棒性和系统稳定性。在 PostgreSQL 和 MySQL 上的实验表明，在样本效率和调优质量方面取得了显著改进，CATune…
-
新的 L0MO 方法在函数空间上推进贝叶斯优化
研究人员引入了一种名为 L0 流形优化 (L0MO) 的新方法，用于函数贝叶斯优化 (FBO)。该方法通过优化由核函数稀疏表示的函数的局部和系数，在再生核希尔伯特空间 (RKHS) 内进行搜索。所提出的技术旨在统一和改进现有的 FBO 方法，在包括为本研究开发的一组新的无限维测试函数在内的各种基准测试中均表现出卓越的性能。
-
新的AI推理优化流程使用LLM和执行跟踪
研究人员开发了TraceDSE，一种新颖的智能体设计空间探索流程，用于优化异构边缘片上系统（SoC）上的AI推理工作负载。该方法联合将工作负载映射到处理单元（PUs）并对其进行配置，解决了组合复杂性导致穷举搜索不可行的难题。与依赖有限反馈的先前方法不同，TraceDSE利用更丰富的系统执行跟踪，使LLM proposer能够生成候选，并使LLM critic能够分析跟踪中的瓶颈并提出改进建议。这个迭代过程显著提高了决策质量和搜索有效性…
-
新研究推进贝叶斯优化技术 · 跟踪到2个来源
两篇新研究论文探讨了贝叶斯优化（BO）技术的进展，BO是一种用于优化复杂函数的技术。第一篇论文介绍了一种直接遗憾优化方法，该方法联合学习模型和采集函数，在高性能设置下优于标准基线。第二篇论文深入探讨了时变贝叶斯优化（TVBO）的理论理解，为实现渐进无遗憾性能提供了界限和条件，涵盖了各种核函数。
-
新的PRISMS框架使用成对排序来加速科学发现
开发了一个名为PRISMS的新框架，以解决科学发现中的“验证拥堵”挑战，即潜在设计数量远远超过实验评估能力。PRISMS利用专家成对排序，这种排序比绝对分数更容易获得，从而识别有前景的候选者。它可以整合来自不同保真度级别、包括计算工具和人工输入的各种来源的专业知识。当专家具有不同程度的专业知识和成本时，该框架会根据Fisher信息准则将查询从较低保真度排序器升级到较高保真度排序器。
-
新的IQS-BO方法通过学习到的查询选择来简化贝叶斯优化
研究人员推出了一种新颖的贝叶斯优化方法IQS-BO，该方法显著降低了计算成本。与需要重复拟合代理模型的传统方法不同，IQS-BO利用先验数据拟合网络（PFNs）通过在合成数据上进行监督学习来学习查询决策。这使得单次前向传播即可预测候选者最大化目标的概率，在各种基准测试中优于现有方法。
-
ReForge框架通过贝叶斯优化精炼合并的AI模型
研究人员开发了ReForge，一个用于精炼合并AI模型的新框架。这种双层优化方法使用带有锚点中心先验的贝叶斯线性回归，无需联合重新训练即可组合多个特定任务的模型。ReForge可以带或不带校准数据运行，其无数据变体利用任务向量Grams。该方法在各种基准测试中表现出卓越的性能，与现有的锚点基线相比，显著提高了视觉和语言任务的准确性。
-
EAServe 采用新的编码感知架构优化多模态大语言模型服务
研究人员开发了 EAServe，一个旨在优化多模态大语言模型 (MLLM) 服务的新系统。与现有框架在 MLLM 的三阶段编码-预填充-解码 (EPD) 管道中遇到的困难不同，EAServe 将编码阶段重新定位为管道的控制点。这种方法允许自适应微批处理、动态 GPU 分区以及对共驻预填充工作程序的速率控制卸载。评估表明，EAServe 在吞吐量和 GPU 利用率方面显著优于 NVIDIA Dynamo 和 vLLM。
-
新的贝叶斯优化方法利用信息几何
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。
-
新研究探讨LLM上下文管理和检索机制 · 跟踪4个来源
研究人员正在探索大型语言模型（LLM）如何管理上下文信息，新论文提出了不同的方法。一项研究介绍了“上下文语言模型”（CLMs），它们将上下文原生管理为文件，在浏览和多代理系统等任务中表现优于现有方法。另一篇论文研究了LLM中的“序数向量”，认为模型根据提及顺序而非实体名称来回忆事实。第三篇论文考察了LLM的“上下文绑定能力”，量化了模型在失去跟踪之前可以回忆多少次赋值，第四篇论文则探讨了如何使用LLM将任务相关的上下文编译到贝叶斯优化中。
-
新的贝叶斯优化方法使用期望自由能
研究人员引入了一种新的贝叶斯优化采集函数，称为曲率感知期望自由能。该函数旨在通过同时优化和学习底层函数来解决联合学习和优化问题。在某些假设下，它可以简化为现有的方法，如上限置信界（Upper Confidence Bound）和期望信息增益（Expected Information Gain），并且已被证明可以为凹函数提供无偏收敛保证。所提出的方法在基准测试中的遗憾（regret）和均方误差（mean squared error）方面…
-
新的贝叶斯优化算法使用专家乘积高斯过程模型
研究人员推出了一种新颖的贝叶斯优化算法 BO-pro-c，该算法利用专家乘积高斯过程（GP）模型。该方法解决了传统 GP 模型在计算上面临的限制，传统 GP 模型由于其立方复杂度而在处理大型数据集时遇到困难。通过组合多个局部 GP 专家，GP-pro-c 在保持全局相关性的同时，提供了改进的不确定性量化并降低了计算成本。实验表明，与基于标准 GP 的贝叶斯优化相比，BO-pro-c 在优化性能上具有竞争力，简单遗憾减少了 0.9%，计…
-
新的贝叶斯优化方法增强了源定位和声学反演
研究人员开发了一种新颖的贝叶斯优化技术，使用核集成和基于不一致性的采集函数来改进源定位和声学反演。该方法结合了具有不同核族的多个高斯过程模型，可以在不预先确定单一核的情况下适应目标函数。在模拟数据和真实数据上的实验表明，与其他贝叶斯优化策略相比，这种集成方法实现了更低的目标函数最终值并减少了参数估计误差。
-
新的非线性降维技术增强了贝叶斯优化
研究人员开发了用于贝叶斯优化的新型非线性降维技术，这是一种用于昂贵的黑盒函数的高效全局优化的方法。所提出的方法 SDR-LSBO 利用变分自编码器 (VAE) 创建结构化潜在流形，并将顺序域缩减直接集成到该潜在空间中。该方法在 BoTorch 中使用高斯过程代理实现，在基准测试中展示了改进的优化质量，特别是在非线性低维结构方面，并提供了一种分析潜在空间学习与表示差距之间权衡的方法。
-
新的STEAM方法提高了多语言LLM水印的鲁棒性
一篇新研究论文介绍了一种名为STEAM的方法，旨在提高大型语言模型（LLM）多语言水印的鲁棒性。由于分词器词汇量的限制，现有方法在资源较少的语言上测试时常常失败。STEAM利用贝叶斯优化来选择最佳的回译语言，增强了水印强度，并在多种语言的检测准确性方面取得了显著的提升。
-
语言模型动态学习化学反应表示以进行优化
研究人员开发了一种新颖的方法，通过使用微调的语言模型从文本中动态学习表示来优化化学反应。该方法与高斯过程和贝叶斯优化相结合，可将表示适应于特定的反应系统，其性能优于传统的独热编码和分子描述符等方法。该技术成功应用于钯催化氰化反应和不对称氢化反应的优化，在预期实验中实现了高产率和高对映选择性。
-
高斯过程优化自动化断字模式生成
研究人员开发了一种使用高斯过程贝叶斯优化自动生成断字模式的方法，这是文本处理系统的一个关键组成部分。该方法将 patgen 程序参数配置文件的选择构建为一个黑盒超参数优化问题。优化目标平衡了精度（以 F_{1/7} 分数衡量）与 trie 大小和准确性之间的权衡。在 14 种语言的 17 个数据集上的评估表明，与手动调整的配置文件相比，GP 优化的配置文件显著提高了 F_{1/7} 分数并减小了 trie 大小，使得模式生成更具可重复…
-
贝叶斯优化优化用于植物病害分类的联邦学习
研究人员开发了一个约束贝叶斯优化框架，用于在物联网网络中高效配置用于植物病害分类的分层联邦学习（HFL）。该方法在考虑能耗、执行时间和预测性能的同时，优化了深度学习架构、聚合策略和通信轮次。该框架通过探索一小部分搜索空间成功识别出近乎最优的解决方案，证明了其在资源受限的智慧农业环境中的有效性。