論文の概要: Fast Hyperparameter Tuning for Ising Machines
- arxiv url: http://arxiv.org/abs/2211.15869v1
- Date: Tue, 29 Nov 2022 01:53:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 14:44:23.165790
- Title: Fast Hyperparameter Tuning for Ising Machines
- Title（参考訳）: isingマシンの高速ハイパーパラメータチューニング
- Authors: Matthieu Parizy, Norihiro Kakuko and Nozomu Togawa
- Abstract要約: ファストコンバージェンス(FastConvergence)は、木構造型Parzen Estimator(TPE)の収束加速度法である
実験では、よく知られたトラベルセールスマン問題(TSP)と擬似アサインメント問題(QAP)が入力として使用される。
結果は、FastConvergenceはトライアルの半数未満で、TPEと同じような結果が得られることを示している。
- 参考スコア（独自算出の注目度）: 0.8057006406834467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a novel technique to accelerate Ising machines
hyperparameter tuning. Firstly, we define Ising machine performance and explain
the goal of hyperparameter tuning in regard to this performance definition.
Secondly, we compare well-known hyperparameter tuning techniques, namely random
sampling and Tree-structured Parzen Estimator (TPE) on different combinatorial
optimization problems. Thirdly, we propose a new convergence acceleration
method for TPE which we call "FastConvergence".It aims at limiting the number
of required TPE trials to reach best performing hyperparameter values
combination. We compare FastConvergence to previously mentioned well-known
hyperparameter tuning techniques to show its effectiveness. For experiments,
well-known Travel Salesman Problem (TSP) and Quadratic Assignment Problem (QAP)
instances are used as input. The Ising machine used is Fujitsu's third
generation Digital Annealer (DA). Results show, in most cases, FastConvergence
can reach similar results to TPE alone within less than half the number of
trials.
- Abstract（参考訳）: 本稿では, isingマシンのハイパーパラメータチューニングを高速化する新しい手法を提案する。
まず,イジングマシンの性能を定義し,この性能定義に関してハイパーパラメータチューニングの目標を説明する。
第2に、異なる組合せ最適化問題において、乱数サンプリングとTPE(Tree-structured Parzen Estimator)というよく知られたハイパーパラメータチューニング手法を比較した。
第3に、我々は「FastConvergence」と呼ぶTPEの新しい収束加速法を提案する。
最適なハイパーパラメータ値の組み合わせを達成するために、必要なTPEトライアルの数を制限することを目的としている。
我々は、FastConvergenceと、前述の有名なハイパーパラメータチューニング技術を比較し、その効果を示す。
実験では、よく知られたトラベルセールスマン問題(TSP)と擬似アサインメント問題(QAP)が入力として使用される。
使用するイジングマシンは富士通の第3世代デジタルアニーラー(da)である。
その結果、ほとんどのケースで、FastConvergenceはトライアルの半数未満で、TPEと同じような結果が得られることがわかった。
関連論文リスト
- ETHER: Efficient Finetuning of Large-Scale Models with Hyperplane Reflections [59.839926875976225]
本稿では,HypErplane Reflectionsによる高効率微調整を行うETHER変換ファミリを提案する。
特に,既存のPEFT法と極めて少ないパラメータで一致または性能を向上するEtheRと緩和ETHER+を導入する。
論文 参考訳（メタデータ） (2024-05-30T17:26:02Z) - 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) - 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) - A Comparative study of Hyper-Parameter Optimization Tools [2.6097538974670935]
我々は、4つのpythonライブラリ、すなわちOptuna、Hyperopt、Optunity、およびシーケンシャルモデルアルゴリズム構成(SMAC)の性能を比較した。
私たちは、OptunaがCASH問題とNeurIPSのブラックボックス最適化の課題に対してより良いパフォーマンスを持つことを発見した。
論文 参考訳（メタデータ） (2022-01-17T14:49:36Z) - HyP-ABC: A Novel Automated Hyper-Parameter Tuning Algorithm Using
Evolutionary Optimization [1.6114012813668934]
改良されたミツバチコロニーを用いたハイブリッドハイパーパラメータ最適化アルゴリズムHyP-ABCを提案する。
最先端技術と比較して、HyP-ABCは効率が良く、調整すべきパラメータが限られている。
論文 参考訳（メタデータ） (2021-09-11T16:45:39Z) - 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) - Amortized Auto-Tuning: Cost-Efficient Transfer Optimization for
Hyperparameter Recommendation [83.85021205445662]
本稿では,機械学習モデルのチューニングを高速化する自動チューニング(AT2)を提案する。
マルチタスクマルチ忠実ベイズ最適化フレームワークの徹底的な解析を行い、最適なインスタンス化-アモータイズ自動チューニング(AT2)を実現する。
論文 参考訳（メタデータ） (2021-06-17T00:01:18Z) - Optimizing Large-Scale Hyperparameters via Automated Learning Algorithm [97.66038345864095]
ゼロ階超勾配(HOZOG)を用いた新しいハイパーパラメータ最適化法を提案する。
具体的には、A型制約最適化問題として、まずハイパーパラメータ最適化を定式化する。
次に、平均ゼロ階超勾配を用いてハイパーパラメータを更新する。
論文 参考訳（メタデータ） (2021-02-17T21:03:05Z) - Automatic Setting of DNN Hyper-Parameters by Mixing Bayesian
Optimization and Tuning Rules [0.6875312133832078]
トレーニングおよび検証セット上で,ネットワークの結果を評価し解析するための新しいアルゴリズムを構築した。
我々は、一連のチューニングルールを使用して、新しいハイパーパラメータと/またはハイパーパラメータ検索スペースを減らし、より良い組み合わせを選択する。
論文 参考訳（メタデータ） (2020-06-03T08:53:48Z) - Weighted Random Search for Hyperparameter Optimization [0.0]
本稿では,機械学習アルゴリズムのハイパーパラメータ最適化に使用されるRandom Search(RS)の改良版を紹介する。
我々は、標準RSとは異なり、変化の確率で各ハイパーパラメータに対して新しい値を生成する。
同じ計算予算内で、我々の手法は標準のRSよりも優れた結果が得られる。
論文 参考訳（メタデータ） (2020-04-03T15:41:22Z) - Weighted Random Search for CNN Hyperparameter Optimization [0.0]
本稿では、ランダム探索(RS)と確率的欲求を組み合わせた重み付きランダム探索(WRS)手法を提案する。
基準は、ハイパーパラメーター値の試験された組み合わせの同じ数内で達成される分類精度である。
我々の実験によると、WRSアルゴリズムは他の手法よりも優れています。
論文 参考訳（メタデータ） (2020-03-30T09:40:14Z)
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。