論文の概要: Sherpa: Robust Hyperparameter Optimization for Machine Learning

• arxiv url: http://arxiv.org/abs/2005.04048v1
• Date: Fri, 8 May 2020 13:52:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 12:00:07.232530
• Title: Sherpa: Robust Hyperparameter Optimization for Machine Learning
• Title（参考訳）: sherpa: 機械学習のためのロバストなハイパーパラメータ最適化
• Authors: Lars Hertel, Julian Collado, Peter Sadowski, Jordan Ott, Pierre Baldi
• Abstract要約: Sherpaは、機械学習モデルのためのハイパーパラメータ最適化ライブラリである。 計算コストのかかる反復関数評価の問題に特化して設計されている。 Sherpaは単一のマシン上で、あるいはクラスタ上で並列に実行することができる。
• 参考スコア（独自算出の注目度）: 6.156647008180291
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sherpa is a hyperparameter optimization library for machine learning models. It is specifically designed for problems with computationally expensive, iterative function evaluations, such as the hyperparameter tuning of deep neural networks. With Sherpa, scientists can quickly optimize hyperparameters using a variety of powerful and interchangeable algorithms. Sherpa can be run on either a single machine or in parallel on a cluster. Finally, an interactive dashboard enables users to view the progress of models as they are trained, cancel trials, and explore which hyperparameter combinations are working best. Sherpa empowers machine learning practitioners by automating the more tedious aspects of model tuning. Its source code and documentation are available at https://github.com/sherpa-ai/sherpa.
• Abstract（参考訳）: Sherpaは、機械学習モデルのためのハイパーパラメータ最適化ライブラリである。 ディープニューラルネットワークのハイパーパラメータチューニングのような計算コストが高く反復的な関数評価の問題に特化して設計されている。 Sherpaを使えば、さまざまな強力で交換可能なアルゴリズムを使って、ハイパーパラメータを迅速に最適化できる。 Sherpaは単一のマシン上で、あるいはクラスタ上で並列に実行することができる。 最後に、インタラクティブなダッシュボードによって、トレーニング中のモデルの進捗を閲覧したり、トライアルをキャンセルしたり、ハイパーパラメータの組み合わせが最もうまく機能するかを探索することができる。 Sherpaは、モデルチューニングのより面倒な側面を自動化することによって、機械学習の実践者を強化する。 ソースコードとドキュメントはhttps://github.com/sherpa-ai/sherpaで入手できる。

関連論文リスト

• Tune As You Scale: Hyperparameter Optimization For Compute Efficient Training [0.0]
  そこで本研究では,大規模モデルのロバストなチューニング手法を提案する。 CarBSはパフォーマンスコストフロンティアの周辺でローカル検索を行う。 その結果、単純なベースラインをチューニングするだけで、ProcGenベンチマーク全体を効果的に解決できることがわかった。
  論文  参考訳（メタデータ） (2023-06-13T18:22:24Z)
• PyHopper -- Hyperparameter optimization [51.40201315676902]
  我々は機械学習研究者のためのブラックボックス最適化プラットフォームであるPyHopperを紹介する。 PyHopperの目標は、最小限の労力で既存のコードと統合し、最小限のマニュアル監視で最適化プロセスを実行することである。 単純さを主テーマとして、PyHopperは単一のロバストなマルコフチェーンモンテカルロ最適化アルゴリズムを利用している。
  論文  参考訳（メタデータ） (2022-10-10T14:35:01Z)
• Automating DBSCAN via Deep Reinforcement Learning [73.82740568765279]
  本稿では,DBSCANの自動パラメータ検索フレームワークであるDRL-DBSCANを提案する。 このフレームワークは、クラスタリング環境をマルコフ決定プロセスとして知覚することで、パラメータ探索方向を調整する過程をモデル化する。 このフレームワークはDBSCANクラスタリングの精度を最大で26%、25%改善している。
  論文  参考訳（メタデータ） (2022-08-09T04:40:11Z)
• Towards Learning Universal Hyperparameter Optimizers with Transformers [57.35920571605559]
  我々は,テキストベースのトランスフォーマーHPOフレームワークであるOptFormerを紹介した。 実験の結果,OptFormerは少なくとも7種類のHPOアルゴリズムを模倣できることがわかった。
  論文  参考訳（メタデータ） (2022-05-26T12:51:32Z)
• AUTOMATA: Gradient Based Data Subset Selection for Compute-Efficient Hyper-parameter Tuning [72.54359545547904]
  ハイパーパラメータチューニングのための勾配に基づくサブセット選択フレームワークを提案する。 ハイパーパラメータチューニングに勾配ベースのデータサブセットを用いることで、3$times$-30$times$のターンアラウンド時間とスピードアップが大幅に向上することを示す。
  論文  参考訳（メタデータ） (2022-03-15T19:25:01Z)
• Towards Robust and Automatic Hyper-Parameter Tunning [39.04604349338802]
  我々は,新しいHPO法を導入し,畳み込みネットワークの中間層の低ランク因子分解を用いて解析応答面を定義する方法について検討する。 我々は,この表面がモデル性能の代理としてどのように振る舞うかを定量化し,オートHyperと呼ぶ信頼領域探索アルゴリズムを用いて解くことができる。
  論文  参考訳（メタデータ） (2021-11-28T05:27:34Z)
• Hyperparameter Tuning is All You Need for LISTA [92.7008234085887]
  Learned Iterative Shrinkage-Thresholding Algorithm (LISTA)は、反復アルゴリズムをアンロールしてニューラルネットワークのようにトレーニングするという概念を導入している。 LISTAネットワークの中間変数に運動量を加えることで、より優れた収束率が得られることを示す。 この超軽量ネットワークをHyperLISTAと呼ぶ。
  論文  参考訳（メタデータ） (2021-10-29T16:35:38Z)
• Experimental Investigation and Evaluation of Model-based Hyperparameter Optimization [0.3058685580689604]
  本稿では、一般的な機械学習アルゴリズムの理論的および実践的な結果の概要を述べる。 Rパッケージmlrは機械学習モデルの統一インターフェースとして使用される。
  論文  参考訳（メタデータ） (2021-07-19T11:37:37Z)
• HyperNP: Interactive Visual Exploration of Multidimensional Projection Hyperparameters [61.354362652006834]
  HyperNPは、ニューラルネットワーク近似をトレーニングすることで、プロジェクションメソッドをリアルタイムにインタラクティブに探索できるスケーラブルな方法である。 我々は3つのデータセット間でのHyperNPの性能を,性能と速度の観点から評価した。
  論文  参考訳（メタデータ） (2021-06-25T17:28:14Z)
• Surrogate Model Based Hyperparameter Tuning for Deep Learning with SPOT [0.40611352512781856]
  本稿では、Keras/tensorflowで実装されたディープラーニングモデルのアーキテクチャレベルのパラメータをどのように最適化できるかを示す。 チューニング手順の実装は、統計コンピューティングのソフトウェア環境であるRに基づいて100%である。
  論文  参考訳（メタデータ） (2021-05-30T21:16:51Z)
• MANGO: A Python Library for Parallel Hyperparameter Tuning [4.728291880913813]
  Mangoは並列ハイパーパラメータチューニングのためのPythonライブラリである。 Mangoは任意の分散スケジューリングフレームワークの使用を可能にする。 インテリジェントな並列検索戦略を実装し、豊富な抽象化を提供する。
  論文  参考訳（メタデータ） (2020-05-22T20:58:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。