关键词hyperparameter optimisation
搜索结果 - 6
- 通过主题模型和超参数优化导航循环经济中的公众情绪
通过主题建模和超参数优化的探索,本研究开拓性地调查了关于循环经济的各个层次的公众观点。
- 连续学习中的超参数选择
对多任务连续学习问题中的超参数优化提供了多种真实可行且计算效率高的方法,并建议在第一个任务中对超参数进行拟合,并在后续训练中固定它们。
- 使用无监督度量优化图神经网络进行节点聚类的研究
图神经网络 (GNN) 可以通过从特征和连接信息的二元性中学习来训练以检测图中的社区。本研究展示了通过仅仅优化模块度,而不与基准进行比较,可以使用 GNN 将节点聚类到社区中。尽管模块度是一个图划分质量度量,我们证明了这一方法可以优化同时编 - GNN 社群检测中评估不确定性:随机性量化措施比较
Graph Neural Networks 在无监督社区检测中的增强能力归因于它们能够编码图的连通性和特征信息空间,该研究讨论了性能基准、超参数优化和随机性对结果的一致性和质量的影响。
- 领域自适应的更佳实践
在实际的机器学习应用中,分布偏移是相当常见的。领域自适应(DA)旨在通过提供各种适应模型到部署数据的框架,无需使用标签来解决这个问题。然而,领域偏移场景提出了一个更为微妙的挑战:在没有访问标记的验证集的情况下,执行这些适应算法的超参数优化( - MM自动机器学习的综合框架
这篇综述旨在推广对自动化 / 自主机器学习系统的更广阔视角,并探讨整合各种机制和理论框架的最佳方式。主要介绍超参数优化、多组件模型、神经架构搜索、自动特征工程、元学习、多层集成、动态自适应、多目标评估、资源限制、灵活的用户参与和泛化原则的发