Parzen-Tree Estimator
PulseAugur coverage of Parzen-Tree Estimator — every cluster mentioning Parzen-Tree Estimator across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的自适应提示框架改进了多器官超声分割
研究人员开发了BAP-MOS，一种用于多器官超声分割的新型框架，该框架解决了相邻结构和局部边界误差的挑战。该系统采用自适应提示策略，将提示选择视为一个特定器官的多臂老虎机问题。这种方法在微调过程中优化提示偏好，从而显著提高了分割精度，尤其是在边界敏感的任务中。
-
新框架利用生成式AI增强航班改航预测
研究人员开发了一个新颖的框架，以解决航空记录中航班改航数据稀缺的问题，这阻碍了预测性机器学习模型的训练。所提出的解决方案采用生成式增强方法，利用多目标优化框架来调整 TVAE、CTGAN 和 CopulaGAN 等深度生成模型。该框架将真实性、统计相似性、保真度和预测效用整合为单一分数，以指导超参数搜索，最终提高改航预测模型的性能。
-
Optuna c-TPE 泛化为联合密度估计器
一篇新论文介绍了 Optuna 约束树状 Parzen 估计器 (c-TPE) 作为标准 c-TPE 算法的联合密度泛化。这种称为联合 c-TPE 的方法利用了目标和约束的单一联合似然，与假设独立的模型相比具有优势。研究强调，与可能因冗余而性能下降的独立 c-TPE 不同，联合 c-TPE 对约束重复是不变的，并讨论了实际的权衡和未来的研究方向。
-
新方法优化随机森林树的数量
研究人员开发了一种优化随机森林模型中树数量的新方法，解决了超参数调优中的一个常见挑战。他们的方法使用一种基于三元组的平台搜索算法，通过监测袋外分数（out-of-bag score）的变化来适应性地识别出接近最小的足够集成大小。与传统技术相比，该方法旨在提供更自动化和可解释的程序，实验表明，在基准数据集上，它选择的树数量可能少于常用启发式方法，但在某些高维生物信息学数据集上则更多。
-
论文分析树状结构 Parzen 估计器以改进参数调优
本文深入探讨了树状结构 Parzen 估计器 (TPE)，这是一种流行的贝叶斯优化方法，用于 Hyperopt 和 Optuna 等参数调优框架。作者旨在阐明 TPE 的各种控制参数的作用及其对调优性能的影响。通过对各种基准数据集进行消融研究，他们确定了能增强 TPE 实际效果的最佳设置，并提供了其实现供使用。