协同过滤的高效联合超参数和架构搜索

KDDJul, 2023

协同过滤的高效联合超参数和架构搜索

Efficient and Joint Hyperparameter and Architecture Search for Collaborative Filtering

Yan Wen, Chen Gao, Lingling Yi, Liwei Qiu, Yaqing Wang...

TL;DR利用自动机器学习技术自适应设计协同过滤模型的研究，提出了一种综合考虑超参数与架构搜索的算法，通过筛选有用的超参数选择来减少搜索空间，以及通过两阶段搜索算法来高效地找到适当的配置，实验证明了该算法在真实数据集上的优越性。

Abstract

automated machine learning (AutoML) techniques have recently been introduced to design collaborative filtering (CF) models in a data-specific manner. However, existing works either search architectures or hyperpa

automated machine learning collaborative filtering hyperparameter architecture search cf models

发现论文，激发创造

协同过滤的高效数据特定模型搜索

本文提出了一种使用 AutoML 技术设计特定于数据的 CF 模型的新框架，其中关键是将 SOTA CF 方法统一为输入编码、嵌入函数、交互函数和预测函数的不相交阶段，以及使用随机搜索和性能预测器的易于使用、强大且高效的搜索策略。在五个真实数据集上的广泛实验表明，我们的方法可以在各种 CF 任务上始终优于 SOTA 方法，搜索到的 CF 模型还可以为探索更有效的方法提供启示。

Jun, 2021

走向自动化深度学习：高效联合神经网络架构与超参数搜索

本文提出了一种基于贝叶斯优化和 Hyperband 的联合神经架构和超参数搜索方法，旨在提高搜索效率和处理神经架构和超参数之间相互作用的问题。

Jul, 2018

针对相关时间序列预测的联合神经网络架构和超参数搜索

通过 SEARCH 可自动生成适用于大规模数据的优化深度学习架构，达到比人工设计与现有的自动生成 CTS 模型更好的性能表现。

Nov, 2022

层次协作超参数调整

本文演示了如何利用多智能体系统开发一个分布式技术，用于确定任意集合的超参数的近似最优值，并在机器学习和全局函数优化应用中进行了研究。研究表明，在更高的维度下，所提出的模型在分类误差和函数评估方面都优于其底层随机调优策略。

May, 2022

数据增强策略和网络结构的联合搜索

本文提出了一种联合优化模型，实现了数据增强策略和神经网络架构的端到端优化，以实现自动化神经网络训练。实验结果显示，本方法的性能优于独立搜索的结果。