TPE
PulseAugur coverage of TPE — every cluster mentioning TPE across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。
-
贝叶斯优化增强了用于粒子重建的ACTS参数调优
本文探讨了优化ACTS参数套件的新方法，ACTS是用于带电粒子重建的工具。研究人员研究了贝叶斯优化技术，特别是期望改进（Expected Improvement）和置信上界（Upper Confidence Bound），并将它们与现有的Optuna树状结构Parzen估计器（TPE）和随机搜索进行了比较。他们的发现表明，即使在将搜索扩展到更多参数的情况下，贝叶斯方法也能比TPE更有效地及更早地识别出强大的配置。此外，使用期望超体积改…
-
ZAPS 管道通过结合代理信号和拓扑结构来增强神经架构搜索
研究人员开发了 ZAPS，这是一个新颖的四阶段管道，旨在通过有效地将代理信号与架构拓扑相结合来改进神经架构搜索 (NAS)。该方法通过选择非冗余的代理子集并迭代地重新评估它们，解决了现有零成本代理的局限性，这些代理通常嘈杂且相关。ZAPS 利用混合 k-means 策略进行初始种子选择，并使用带有 UCB 获取函数的 XGBoost 集成来对候选者进行排名，在 CIFAR-10 和 CIFAR-100 的 NAS-Bench-201 …
-
ES-HyperNEAT 超参数优化在 MNIST 上显示出可迁移性
研究人员使用基于树的 Parzen 估计器 (TPE) 方法研究了 ES-HyperNEAT 算法的超参数优化。将其应用于 MNIST 分类任务，TPE 成功导航了超过 30 亿种潜在组合，实现了 29.00% 的准确率，并且比之前的研究使用了更少的代数和更小的种群规模。优化后的超参数在 Fashion-MNIST 数据集上表现出可迁移性，尽管它们在更简单的逻辑运算上的有效性有限。
-
ES-HyperNEAT 超参数优化使用 TPE 方法显示出潜力
一项新研究探索了使用树状结构 Parzen 估计器 (TPE) 方法优化 ES-HyperNEAT（一种神经进化算法）的超参数。研究人员针对 MNIST 分类任务调查了超过 30 亿种超参数组合，发现 TPE 的性能显著优于随机搜索。最佳配置在 MNIST 上达到了 29.00% 的准确率，并且比先前研究使用了更少的资源。该研究还考察了这些优化后的超参数在逻辑运算和 Fashion-MNIST 数据集上的可迁移性，结果显示在 Fash…
-
新框架在量子退火器上自动调优 SVM
本文介绍了一种新颖的框架，用于优化在量子启发式退火器上使用二次无约束二元优化 (QUBO) 模型的支持向量机 (SVM)。该框架采用 Optuna 进行自动调优，处理与数值表示、核几何和约束惩罚相关的参数。该方法在 Fixstars Amplify 退火引擎、Toshiba SQBM+ 和 Fujitsu Digital Annealer 上进行了测试，在具有不同标签噪声水平的分类任务上，与传统的网格搜索相比，平均准确率提高了 0.8…
-
新方法优化易崩溃搜索空间中的机器学习部署
研究人员开发了一种名为热预算退火（TBA）的新方法，用于优化在挑战性环境中部署的机器学习模型。该方法解决了许多配置崩溃或违反约束的问题，这是层级搜索空间中常见的问题。TBA首先探索可行区域，然后使用模型指导的优化，并结合试用超时和子空间黑名单等机制来处理硬件故障。该方法在合成基准测试和实际GPU部署上进行了测试，显示出改进的模型发现能力并减少了资源浪费。