深度学习中的梯度词典选择方法通过演化方法结合梯度下降和词典选择,改进了各种广泛使用的深度神经网络在图像分类中的泛化性能。
Dec, 2023
提出了一种新的方法 —— 快速词典选择法,它结合了词典选择、加权随机和部分评估,并在经典基因编程和深度学习任务上进行了实验证明,该方法可以显著降低选择个体所需评估步骤的数量,提高选择效率的同时,保持其性能。
Aug, 2022
介绍了一种名为概率词典选择的父代选择算法,用于解决遗传编程的编程合成和符号回归问题,通过显式表示选择过程的概率分布实现提高效率和灵活性,在计算效率上明显优于以往的词典选择算法
May, 2023
本文通过在自动化机器学习系统 Tree-based Pipeline Optimization Tool(TPOT)中的机器学习管线中进行实验,比较了两种常用的父母选择方法的作用,结果表明,相对于 NSGA-II 选择方案,lexicase 选择方案能够显著提高收敛速度;我们还使用包含有关在特定运行中探索的管道信息的 trie 数据结构比较了这些选择方法对搜索空间部分的探索。
Feb, 2023
该研究论文研究了公平分类中的特征选择问题,通过比较两种基于遗传算法的多目标优化方法,即帕累托支配型遗传算法和词典优化型遗传算法,发现词典优化型遗传算法在提升准确性的同时,不降低分类器的公平性,为公平分类研究指明了一条有前景的新方向。
Oct, 2023
从 ASLib 中的六个数据集中评估了三种方法:基于预测不确定性的主动学习、使用超时预测器增强算法预测器以及使用逐步增加超时的方式收集训练数据,并展示了每个选项所实现的标记成本的降低。
May, 2024
利用优化问题的框架从候选数据中选择有机会最大化模型性能的子集,避免主观标准,并明确了学习过程如何利用训练数据进行目标任务的预测,从而极大地提高了语言模型的性能。
Jan, 2024
通过多重序列比对算法自动获取多语言语料库中的基本语义表达,用于计算机生成数学证明的自然语言版本。
May, 2002
使用轻量级贝叶斯处理和基于大规模预训练模型的即用型零样本预测器,解决了现实场景中标记错误、重复或有偏差的数据在训练中的问题,提高了模型的训练效率。
Aug, 2023
文章提出了一个能够表示不同场景的算法选择标准格式和一个包含文献中日益增多的数据集的存储库,使用这个标准还可建立和评估算法选择模型,从而得到显著的性能改进。
Jun, 2015