Jul, 2023

AIOptimizer -- 基于强化学习的软件性能优化原型，以最小化成本为目标

PDF
TL;DRAIOptimizer 是一个使用强化学习控制的推荐系统，通过数据收集技术、持续学习和有弹性的融合设计等因素来提高软件系统效率和可负担性；研究重点在于各种软件开发生命周期模型，AIOptimizer 是一个理论性的原型工具。
发现论文，激发创造
  • AIXI 近似强化学习

    本文介绍了一种可扩展的通用增强学习代理的设计方法，该方法基于对 AIXI 的直接逼近，利用 Monte Carlo Tree Search 算法和 Context Tree Weighting 算法的代理特定扩展得以实现，实验表明该算法在多个随机、未知和部分可观察的领域中表现良好。

    Jul, 2010

  • CoRe 优化器：机器学习的一体化解决方案

    我們對 CoRe 優化器進行了廣泛的性能比較，並與其他九種優化算法進行了比較，包括 Adam 優化器和韌性反向傳播 (RPROP)，結果顯示 CoRe 優化器在各種機器學習任務中表現最佳或競爭力非凡，而只需根據小批量或批量學習改變一個超參數。

    Jul, 2023

  • 学习超优化现实世界程序

    本文提出了一种使用神经序列到序列模型来学习超级优化现实世界程序的框架，并介绍了一种易于实现的方法（SILO）来增强优化，该方法在测试集上优化了 5.9％，超过了标准策略梯度方法和模型预训练的优化演示。

    Sep, 2021

  • 学习优化

    本篇论文探讨了通过强化学习的方法生成优化算法，该方法可自动发现更好的算法，并通过指导策略搜索学习出的优化算法在收敛速度和 / 或最终目标值方面优于手工设计的现有算法。

    Jun, 2016

  • 基于强化学习的神经优化器搜索

    用循环神经网络控制器生成包括多种基本函数的特定领域语言的更新方程，通过强化学习来优化模型的性能，在 CIFAR-10 上发现了多种优化器，新增的 PowerSign 和 AddSign 优化器能够提高不同任务和架构的训练。

    Sep, 2017

  • 神经网络优化学习

    本文探索一种新的用于训练浅层神经网络的优化算法，该算法使用重新强化学习的方法，可以解决高维随机优化问题，即使在梯度和神经网络架构的随机性变化时，该算法训练出的优化算法始终优于其他已知的优化算法，能够成功将 MNIST 神经网络问题泛化到在多种不同数据集上进行的神经网络问题。

    Mar, 2017

  • 长期音频推荐的优化：强化学习视角

    本文旨在通过强化学习模型，设计一个面向长期个性化推荐的算法，并验证其在千万用户下行业内的显著性能提升。

    Feb, 2023

  • 蒙特卡罗 AIXI 近似

    本文介绍了一种基于贝叶斯优化概念的通用强化学习智能体的可扩展设计方法，提出了一种可行的 AIXI 智能体近似算法，并在随机和部分可观测领域上展示了一系列鼓舞人心的结果，最后提出了未来研究的方向。

    Sep, 2009

  • AIO-P：将神经性能预测器扩展到图像分类之外

    本文提出一种全新的 All-in-One Predictor (AIO-P) 来有效地预测多个计算机视觉任务下的深度学习模型的性能表现，并采用多领域神经网络结构，以及知识融入技术，经过大量的实验证明，该方法可以为新架构的预测和决策提供有力支持，并在多个任务中取得了显著的性能优势。

    Nov, 2022

  • 基于强化学习方法的近似计算技术的设计空间探索

    本文提出了一种基于强化学习的多目标设计空间探索策略，以找到在准确度下降和功耗 / 计算时间减少之间取得平衡的应用的近似版本。实验结果表明，在某些基准测试中，在准确度下降和功耗 / 计算时间减少之间存在良好的平衡。

    Dec, 2023