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。
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】