論文の概要: HyperJump: Accelerating HyperBand via Risk Modelling

• arxiv url: http://arxiv.org/abs/2108.02479v1
• Date: Thu, 5 Aug 2021 09:36:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-06 20:38:13.105868
• Title: HyperJump: Accelerating HyperBand via Risk Modelling
• Title（参考訳）: HyperJump: リスクモデリングによるHyperBandの高速化
• Authors: Pedro Mendes, Maria Casimiro, Paolo Romano
• Abstract要約: HyperJumpは、HyperBandの堅牢な検索戦略に基づいて構築され、新しいモデルベースのリスク分析技術でそれを補完する新しいアプローチである。 HyperBandと比較して、さまざまなディープラーニングやカーネルベースの学習問題に対して、一桁以上のスピードアップを提供することを示す。
• 参考スコア（独自算出の注目度）: 1.6414807719524085
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the literature on hyper-parameter tuning, a number of recent solutions rely on low-fidelity observations (e.g., training with sub-sampled datasets or for short periods of time) to extrapolate good configurations to use when performing full training. Among these, HyperBand is arguably one of the most popular solutions, due to its efficiency and theoretically provable robustness. In this work, we introduce HyperJump, a new approach that builds on HyperBand's robust search strategy and complements it with novel model-based risk analysis techniques that accelerate the search by jumping the evaluation of low risk configurations, i.e., configurations that are likely to be discarded by HyperBand. We evaluate HyperJump on a suite of hyper-parameter optimization problems and show that it provides over one-order of magnitude speed-ups on a variety of deep-learning and kernel-based learning problems when compared to HyperBand as well as to a number of state of the art optimizers.
• Abstract（参考訳）: ハイパーパラメータチューニングに関する文献では、多くの最近のソリューションは、完全なトレーニングを行う際に使用する優れた構成を外挿するために、低忠実度観測(例えば、サブサンプルデータセットを使用したトレーニングや短時間のトレーニング)に依存している。 その中でもHyperBandは、その効率性と理論的に証明可能な堅牢性のために、おそらく最も人気のあるソリューションの1つである。 本稿では,HyperBandのロバストな検索戦略に基づく新しいアプローチであるHyperJumpを紹介し,低リスク構成,すなわちHyperBandによって破棄される可能性のある構成の評価をジャンプすることによって,検索を高速化するモデルベースリスク分析手法を補完する。 我々はハイパーパラメータ最適化の一連の問題に対してHyperJumpを評価し、HyperBandやアートオプティマイザのさまざまな状態と比較して、様々なディープラーニングやカーネルベースの学習問題に対して、1桁以上のスピードアップを提供することを示した。

関連論文リスト

• HyperFast: Instant Classification for Tabular Data [48.186689585347544]
  HyperFastは、単一のフォワードパスにおける表データの即時分類のために設計された、メタトレーニングされたハイパーネットワークである。 HyperFastは競争力が高いが、非常に高速であることを示す。 提案手法は, 微調整をほとんど行わず, 多様な分類タスクに対して頑健な適応性を示す。
  論文  参考訳（メタデータ） (2024-02-22T07:07:16Z)
• PriorBand: Practical Hyperparameter Optimization in the Age of Deep Learning [49.92394599459274]
  我々は,Deep Learning(DL)パイプラインに適したHPOアルゴリズムであるPresideBandを提案する。 各種のDLベンチマークでその堅牢性を示し、情報的専門家のインプットと、専門家の信条の低さに対してその利得を示す。
  論文  参考訳（メタデータ） (2023-06-21T16:26:14Z)
• Online Continuous Hyperparameter Optimization for Generalized Linear Contextual Bandits [55.03293214439741]
  文脈的包帯では、エージェントは過去の経験に基づいた時間依存アクションセットから順次アクションを行う。 そこで本稿では,文脈的包帯のためのオンライン連続型ハイパーパラメータチューニングフレームワークを提案する。 理論上はサブ線形の後悔を達成でき、合成データと実データの両方において既存のすべての手法よりも一貫して優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-02-18T23:31:20Z)
• Learning the Effect of Registration Hyperparameters with HyperMorph [7.313453912494172]
  我々は,学習に基づく変形可能な画像登録において,効率的なハイパーパラメータチューニングを容易にするHyperMorphを紹介した。 本研究では,高速かつ高分解能なハイパーパラメータ探索を実現することで,従来の手法の非効率性を低減できることを示す。
  論文  参考訳（メタデータ） (2022-03-30T21:30:06Z)
• 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)
• 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)
• Federated Hyperparameter Tuning: Challenges, Baselines, and Connections to Weight-Sharing [37.056834089598105]
  標準アプローチがフェデレートされた設定のベースラインにどのように適合するかを示す。 ウェイトシェアリングのニューラルアーキテクチャ検索技術に新たな接続を行うことで,新しい手法であるFedExを導入する。 理論的には、FedExの変種がオンライン凸最適化の設定においてデバイス上での学習率を正しく調整していることを示す。
  論文  参考訳（メタデータ） (2021-06-08T16:42:37Z)
• HyperMorph: Amortized Hyperparameter Learning for Image Registration [8.13669868327082]
  HyperMorphは、変形可能な画像登録のための学習ベースの戦略です。 既存の検索戦略よりもはるかに高速に複数のハイパーパラメータを最適化できることを示す。
  論文  参考訳（メタデータ） (2021-01-04T15:39:16Z)
• HyperSTAR: Task-Aware Hyperparameters for Deep Networks [52.50861379908611]
  HyperSTARは、ディープニューラルネットワークのためのHPOをウォームスタートするタスク認識方式である。 生の画像から直接、データセット(タスク)表現とパフォーマンス予測器を学習する。 既存のメソッドと比較して、最高のパフォーマンスを達成するために、構成を50%少なく評価する。
  論文  参考訳（メタデータ） (2020-05-21T08:56:50Z)

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。