論文の概要: Automated Hyperparameter Optimization Challenge at CIKM 2021 AnalyticCup
- arxiv url: http://arxiv.org/abs/2111.00513v1
- Date: Sun, 31 Oct 2021 14:41:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-02 16:22:48.873705
- Title: Automated Hyperparameter Optimization Challenge at CIKM 2021 AnalyticCup
- Title(参考訳): CIKM 2021 AnalyticCupにおける自動ハイパーパラメータ最適化チャレンジ
- Authors: Huaijun Jiang, Yu Shen, Yang Li
- Abstract要約: QQ Browser 2021 AI Algorithm Competiton (ACM CIKM 2021 AnalyticCup Track 2)における自動ハイパーパラメータ最適化問題に対処する方法について述べる。
コンペティションオーガナイザは、ブラックボックス最適化のための匿名化されたリアルな産業タスクとデータセットを提供する。
当社のオープンソースパッケージであるOpenBoxをベースとして,構成サンプリングのためのベイジアン最適化フレームワークと早期停止戦略を採用しています。
我々はそれぞれ0.938291と0.918753で予選と決勝の両方で優勝した。
- 参考スコア(独自算出の注目度): 8.688279932691856
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we describe our method for tackling the automated
hyperparameter optimization challenge in QQ Browser 2021 AI Algorithm
Competiton (ACM CIKM 2021 AnalyticCup Track 2). The competition organizers
provide anonymized realistic industrial tasks and datasets for black-box
optimization. Based on our open-sourced package OpenBox, we adopt the Bayesian
optimization framework for configuration sampling and a heuristic early
stopping strategy. We won first place in both the preliminary and final
contests with the results of 0.938291 and 0.918753, respectively.
- Abstract(参考訳): 本稿では,QQ Browser 2021 AI Algorithm Competiton (ACM CIKM 2021 AnalyticCup Track 2)におけるハイパーパラメータの自動最適化問題に対処する手法について述べる。
競争組織はブラックボックス最適化のための匿名化されたリアルな産業タスクとデータセットを提供する。
当社のオープンソースパッケージopenboxに基づいて,コンフィギュレーションサンプリングとヒューリスティックな早期停止戦略のために,ベイズ最適化フレームワークを採用しています。
予選と決勝でそれぞれ0.0938291と0.918753の結果で1位を獲得した。
関連論文リスト
- Controllable Prompt Tuning For Balancing Group Distributional Robustness [53.336515056479705]
グループ間で優れたパフォーマンスを実現するための最適化スキームを導入し、それらの性能を著しく犠牲にすることなく、全員に良い解決策を見出す。
本稿では,制御可能なプロンプトチューニング(CPT)を提案する。
突発的相関ベンチマークでは, 変換器と非変換器の両アーキテクチャ, および非モーダルおよびマルチモーダルデータにまたがって, 最先端の結果が得られた。
論文 参考訳(メタデータ) (2024-03-05T06:23:55Z) - Best of Both Worlds Guarantees for Smoothed Online Quadratic Optimization [9.449153668916098]
各ラウンド$t$において、プレイヤーが2次的打撃コストと2次攻撃コストに応じてアクション$x_tをプレイし、アクションを切り替えるための2乗$ell$-normコストを加算する、スムーズなオンライン最適化(SOQO)問題について検討する。
この問題クラスは、スマートグリッド管理、適応制御、データセンター管理など、幅広いアプリケーションドメインと強いつながりを持っています。
本稿では, 最適に近い性能を同時に達成しつつ, 強健な対角性能を得るベスト・オブ・ザ・ワールドス・アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-31T22:59:23Z) - Towards General and Efficient Online Tuning for Spark [55.30868031221838]
本稿では,3つの問題を同時に処理できる汎用的で効率的なSparkチューニングフレームワークを提案する。
我々は、このフレームワークを独立したクラウドサービスとして実装し、Tencentのデータプラットフォームに適用しました。
論文 参考訳(メタデータ) (2023-09-05T02:16:45Z) - Deploying a Robust Active Preference Elicitation Algorithm on MTurk:
Experiment Design, Interface, and Evaluation for COVID-19 Patient
Prioritization [2.138934144914637]
我々は、ユーザーが適度なペアワイズ比較よりも好みを報告できる選好用オンラインプラットフォームを開発した。
本研究では,ロバストな手法がランダムなクエリを21%高速化することを示す。
論文 参考訳(メタデータ) (2023-06-06T23:20:57Z) - A Novel Approach for Auto-Formulation of Optimization Problems [66.94228200699997]
Natural Language for Optimization (NL4Opt) NeurIPS 2022コンペティションでは、最適化ソルバのアクセシビリティとユーザビリティの改善に重点を置いている。
本稿では,チームのソリューションについて述べる。
提案手法は,サブタスク1のF1スコアとサブタスク2の0.867の精度を達成し,それぞれ第4位,第3位を獲得した。
論文 参考訳(メタデータ) (2023-02-09T13:57:06Z) - Predict and Optimize: Through the Lens of Learning to Rank [9.434400627011108]
ノイズコントラスト推定は、ソリューションキャッシュのランク付けを学習する場合とみなすことができる。
また、最適化問題を解くことなく、閉じた形で区別できるペアワイズとリストワイズランキングの損失関数も開発する。
論文 参考訳(メタデータ) (2021-12-07T10:11:44Z) - ParticleAugment: Sampling-Based Data Augmentation [80.44268663372233]
モデルトレーニング中に最適な拡張ポリシーとスケジュールを求めるために,粒子フィルタリングの定式化を提案する。
CIFAR-10, CIFAR-100, ImageNetデータセットにおいて, 自動拡張のための定式化が有望な結果に達することを示す。
論文 参考訳(メタデータ) (2021-06-16T10:56:02Z) - Bayesian Optimization is Superior to Random Search for Machine Learning
Hyperparameter Tuning: Analysis of the Black-Box Optimization Challenge 2020 [10.782941183498851]
本稿では,NeurIPS 2020におけるブラックボックス最適化の課題と成果について述べる。
これは機械学習を重視した最初のブラックボックス最適化チャレンジだった。
論文 参考訳(メタデータ) (2021-04-20T18:44:59Z) - The Archerfish Hunting Optimizer: a novel metaheuristic algorithm for
global optimization [0.8315801422499861]
グローバル最適化は、目的関数を最小化することにより、現実の問題を数値的にあるいは分析的に解決する。
我々はArcherfish Hunting (AHO)に基づくグローバルメタヒスティックアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-03T16:22:31Z) - Convergence of adaptive algorithms for weakly convex constrained
optimization [59.36386973876765]
モローエンベロープの勾配のノルムに対して$mathcaltilde O(t-1/4)$収束率を証明する。
我々の分析では、最小バッチサイズが1ドル、定数が1位と2位のモーメントパラメータが1ドル、そしておそらくスムーズな最適化ドメインで機能する。
論文 参考訳(メタデータ) (2020-06-11T17:43:19Z) - Mixed Strategies for Robust Optimization of Unknown Objectives [93.8672371143881]
そこでは,不確実なパラメータの最悪の実現に対して,未知の目的関数を最適化することを目的として,ロバストな最適化問題を考察する。
我々は,未知の目的をノイズ点評価から逐次学習する,新しいサンプル効率アルゴリズムGP-MROを設計する。
GP-MROは、最悪のケースで期待される目標値を最大化する、堅牢でランダムな混合戦略の発見を目指している。
論文 参考訳(メタデータ) (2020-02-28T09:28:17Z)
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。