抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
Bayes最適化(BO)は,最近,ハイパパラメータ調整のための,より一般的には高価なブラックボックス関数の効率的な大域的最適化のための強力で柔軟なツールとして出現した。BOを実現するシステムは,自動設計選択と機械学習ハイパーパラメータチューニングにおける困難な問題の解決に成功した。Bayes最適化の基礎となる方法論と理論における多くの最近の進歩は,新しい応用のためのフレームワークを拡張し,これらのアルゴリズムの挙動へのより大きな洞察を提供した。なお,これらの確立された技術は常に最適化を実行するためにユーザ定義空間を必要とする。予め定義された空間はハイパパラメータ値の範囲を特定した。多くの状況では,しかしながら,そのような空間を規定することは困難であることができ,事前知識は利用できないことが多い。これらの領域の任意の非効率的な最適化を導くことができる空間が大きすぎると,限られた予算の最適をパスし得る一方,空間が小さすぎる場合には,することを望むことを最適点を含まない。未知探索空間問題は実際に解決することが困難である。,本論文において,筆者らは狭くBayes最適化のための「弱特定」探索空間の設定を特異的に考察した。弱特定空間により,予め定義された空間は十分に良好な領域に置かれた最適化は最適に拡大し,到達できることを意味している。しかし,この事前に定義された空間は大域的最適を含む必要はない。Bayes最適化のためのフィルタリング拡大戦略を提案することにより,この問題に取り組んでいる。我々のアプローチは,初期領域から始まり,徐々に探索空間を拡大する。この戦略のための効率的なアルゴリズムをWedevelopとその後悔限界を導いた。これらの理論的結果は筆者らの提案アプローチの利点を実証するベンチマーク関数とtworeal世界応用に関する広範な一連の実験で補完した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】
