Bayes最適化によるカーネルリッジ回帰のための効率的なハイパーパラメータ調整【JST・京大機械翻訳】

Stuke Annika; Rinke Patrick; Todorovic Milica

プレプリント

J-GLOBAL ID：202202202583871310 整理番号：22P0129932

Bayes最適化によるカーネルリッジ回帰のための効率的なハイパーパラメータ調整【JST・京大機械翻訳】

Efficient hyperparameter tuning for kernel ridge regression with Bayesian optimization

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2020年04月01日プレプリントサーバーでの情報更新日： 2020年04月01日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

機械学習法は,通常,最高の性能のために最適化する必要があるハイパーパラメータと呼ばれる内部パラメータに依存する。このような最適化は,エキスパート知識,直感,あるいは計算要求の br力パラメータ探索を必要とする機械学習実務者への負担を提起する。ここでは,Bayes最適化によるより効率的な自動化ハイパーパラメータ選択の必要性を検討した。有機分子の原子構造のための2つの異なる記述子のためのカーネルリッジ回帰機械学習法にこの技術を適用し,その1つはこの方法にハイパーパラメータのそれ自身のセットを導入した。最適ハイパーパラメータ構成を同定し,ハイパーパラメータ空間における全予測誤差景観を推論し,ハイパーパラメータ依存性に対する視覚ガイドとして役立つ。さらに,ハイパーパラメータ数の増加に対して,Bayes最適化は,網羅的格子探索よりも計算時間において顕著に効率的になることを実証した。【JST・京大機械翻訳】

, , , , , , , , ,
, , 【Automatic Indexing@JST】

人工知能

, , ,

前のページに戻る