MAPress
مقاله یادگیری قبلی مبتنی بر داده برای بهینه سازی بیزی

مقاله یادگیری قبلی مبتنی بر داده برای بهینه سازی بیزی

تگ‌ها: Machine Learning یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Data-driven Prior Learning for Bayesian Optimisation
عنوان مقاله به فارسی مقاله یادگیری قبلی مبتنی بر داده برای بهینه سازی بیزی
نویسندگان Sigrid Passano Hellan, Christopher G. Lucas, Nigel H. Goddard
زبان مقاله انگلیسی
فرمت مقاله: PDF
تعداد صفحات 10
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 24 November, 2023; originally announced November 2023. , Comments: To be presented at the NeurIPS 2023 Workshop on Adaptive Experimental Design and Active Learning in the Real World
توضیحات به فارسی ارسال شده 24 نوامبر 2023 ؛در ابتدا نوامبر 2023 اعلام شد ، نظرات: برای ارائه در کارگاه Neurips 2023 در زمینه طراحی آزمایشی تطبیقی و یادگیری فعال در دنیای واقعی

چکیده

Transfer learning for Bayesian optimisation has generally assumed a strong similarity between optimisation tasks, with at least a subset having similar optimal inputs. This assumption can reduce computational costs, but it is violated in a wide range of optimisation problems where transfer learning may nonetheless be useful. We replace this assumption with a weaker one only requiring the shape of the optimisation landscape to be similar, and analyse the recent method Prior Learning for Bayesian Optimisation - PLeBO - in this setting. By learning priors for the hyperparameters of the Gaussian process surrogate model we can better approximate the underlying function, especially for few function evaluations. We validate the learned priors and compare to a breadth of transfer learning approaches, using synthetic data and a recent air pollution optimisation problem as benchmarks. We show that PLeBO and prior transfer find good inputs in fewer evaluations.

چکیده به فارسی (ترجمه ماشینی)

یادگیری انتقال برای بهینه سازی بیزی به طور کلی یک شباهت قوی بین وظایف بهینه سازی فرض کرده است که حداقل یک زیر مجموعه دارای ورودی های بهینه مشابه است.این فرض می تواند هزینه های محاسباتی را کاهش دهد ، اما در طیف گسترده ای از مشکلات بهینه سازی نقض می شود که در آن ممکن است یادگیری انتقال مفید باشد.ما این فرض را با یک ضعیف تر جایگزین می کنیم که فقط به شکل چشم انداز بهینه سازی نیاز دارد و روش اخیر قبلی را برای بهینه سازی بیزی - Plebo - در این تنظیم تجزیه و تحلیل می کنیم.با یادگیری مقدماتی برای هایپرپارامترهای مدل جانشین فرآیند گاوسی ، می توانیم عملکرد اساسی را به خصوص برای ارزیابی های عملکردی بهتر تقریب دهیم.ما مقدمات آموخته شده را تأیید می کنیم و با وسعت رویکردهای یادگیری انتقال ، با استفاده از داده های مصنوعی و یک مشکل بهینه سازی آلودگی هوا اخیر به عنوان معیارها مقایسه می کنیم.ما نشان می دهیم که Plebo و انتقال قبلی در ارزیابی های کمتری ورودی های خوبی را پیدا می کنند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.