摘要
弗吉尼亚·阿格里蒂(Virginia Aglietti)、卢晓宇(Xiaoyu Lu)、安德烈·帕列斯(Andrei Paleyes)和哈维尔·冈萨雷斯(Javier González)。 因果贝叶斯优化。 在 国际人工智能与统计会议 ,第3155-3164页。 PMLR,2020年。 谷歌学者 Omid Alipourfard、Hongqiang Harry Liu、Jianshu Chen、Shivaram Venkataraman、Minlan Yu和Ming Zhang。 CherryPick:《自适应挖掘大数据分析的最佳云配置》,2017年。 谷歌学者 Jason Ansel和Cy Chan。 PetaBricks公司。 XRDS:十字路口,ACM学生杂志 , 17(1):32, 2010. 谷歌学者 数字图书馆 杰森·安塞尔(Jason Ansel)、肖布·卡米尔(Shoaib Kamil)、卡利安·维拉马切尼(Kalyan Veeramachaneni)、乔纳森·拉甘·凯利(Jonathan Ragan-Kelley)、杰弗里·博斯布姆(Jeffrey Bosboom)、乌纳·梅·奥莱利(Una-May O'Reilly)和萨曼·阿马拉辛格(Saman Amarasinghe)。 OpenTuner。 在 第23届并行体系结构与编译国际会议论文集-PACT’14 ,第303--316页,2014年。 谷歌学者 Omid Azizi、Aqeel Mahesri、Benjamin C Lee、Sanjay J Patel和Mark Horowitz。 处理器架构和电路设计中的能量-性能权衡:边际成本分析。 ACM SIGARCH计算机架构新闻 , 38(3):26--36, 2010. 谷歌学者 数字图书馆 马克西米利安·巴兰达(Maximilian Balandat)、布莱恩·卡勒(Brian Karrer)、丹尼尔·江泽民(Daniel R.Jiang)、塞缪尔·道尔顿(Samuel Daulton)、本杰明·莱瑟姆(Benjamin Letham)、安德鲁·戈登·威尔逊(Andrew Gordon Wilson)和伊坦·巴克西。 BoTorch:高效蒙特卡罗贝叶斯优化框架。 arXiv:1910.06403[cs,数学,统计] 2020年12月。 谷歌学者 保罗·博蒙特(Paul Beaumont)、本·霍斯堡(Ben Horsburgh)、菲利普·皮尔格斯托弗(Philip Pilgerstorfer)、安杰尔·德罗斯(Angel Droth)、理查德·恩塔里奥(Richard Oentaryo)、史蒂文·勒尔(Steven Ler)、希普·阮(Hiep Nguyen)。 CausalNex,2021年。 谷歌学者 詹姆斯·伯格斯特拉(James Bergstra)和约舒亚·本吉奥(Yoshua Bengio)。 超参数优化的随机搜索。 机器学习研究杂志 ,2012年2月13日:281--305。 谷歌学者 贝西·拜尔(Betsy Beyer)、克里斯·琼斯(Chris Jones)、詹妮弗·佩托夫(Jennifer Petoff)和尼尔·理查德·墨菲(Niall Richard Murphy)。 网站可靠性工程:谷歌如何运行生产系统。 ” O'Reilly Media,Inc.”,2016年。 谷歌学者 克什蒂·巴德瓦吉(Kshitij Bhardwaj)、马顿·哈瓦西(Marton Havasi)、袁瑶(Yuan Yao)、大卫·M·布鲁克斯(David M.Brooks)、何塞·米盖尔·埃尔南德斯·洛巴托(JoséMiguel Hernández Lobato)和顾。 使用贝叶斯优化确定多加速器soc的最佳相干接口。 IEEE计算机体系结构快报 , 18(2):119--123, 2019. 谷歌学者 数字图书馆 Eli Bingham、Jonathan P.Chen、Martin Jankowiak、Fritz Obermeyer、Neeraj Pradhan、Theofanis Karaletsos、Rohit Singh、Paul Szerlip、保罗·霍斯福尔和诺亚·古德曼。 Pyro:深度通用概率编程。 2018年10月。 谷歌学者 Nathan Binkert、Bradford Beckmann、Gabriel Black、Steven K Reinhardt、Ali Saidi、Arkaprava Basu、Joel Hestness、Derek R Hower、Tushar Krishna和Somayeh Sardashti。 gem5模拟器。 ACM SIGARCH计算机架构新闻 ,39(2):2011年1月7日。 谷歌学者 布莱恩·巴西。 普罗米修斯:启动和运行:基础设施和应用程序性能监控。 “O'Reilly Media,Inc.”,2018年。 谷歌学者 陈田琪、郑连敏、严爱迪、姜子恒、莫罗、塞兹、盖斯林和克里希纳穆蒂。 学习优化张量程序。 arXiv预打印arXiv:1805.08166 , 2018. 谷歌学者 数字图书馆 Yu-Hsin Chen、Tien Ju Yang、Joel Emer和Vivienne Sze。 Eyeriss v2:移动设备上新兴深层神经网络的灵活加速器。 arXiv:1807.07928[cs] ,2019年5月。 谷歌学者 瓦伦丁·达利巴德(Valentin Dalibard)、迈克尔·沙尔斯奇米特(Michael Schaarschmidt)和艾科·尤内基(Eiko Yoneki)。 BOAT:使用结构化贝叶斯优化构建自动调谐器。 在 第26届万维网国际会议记录 ,第479-488页,美国纽约州纽约市,2017年。 ACM出版社。 谷歌学者 安德烈亚斯·达米亚努(Andreas Damianou)和尼尔·D·劳伦斯(Neil D Lawrence)。 深高斯过程。 在 人工智能与统计 ,第207至215页。 PMLR,2013年。 谷歌学者 塞缪尔·道尔顿(Samuel Daulton)、马克西米利安·巴兰达(Maximilian Balandat)和伊坦·巴克什(Eytan Bakshy)。 并行多目标贝叶斯优化的可微期望超体积改进。 arXiv预印本arXiv:2006.05078 , 2020. 谷歌学者 斯特凡·福克纳(Stefan Falkner)、亚伦·克莱恩(Aaron Klein)和弗兰克·赫特(Frank Hutter)。 BOHB:规模上稳健高效的超参数优化。 arXiv预打印arXiv:1807.01774 , 2018. 谷歌学者 Avrilia Floratou、Ashvin Agrawal、Bill Graham、Sriram Rao和Karthik Ramasamy。 Dhalion:苍鹭的自我调节流处理。 VLDB捐赠会议记录 , 10(12):1825--1836, 2017. 谷歌学者 数字图书馆 Qiang Fu、Jieming Zhu、Wenlu Hu、Jian-Guang Lou、Rui Ding、Qingwei Lin、Dongmei Zhang和Tao Xie。 开发人员在哪里登录? 工业伐木实践的实证研究。 在 第36届国际软件工程会议同期会议记录 ,第24-33页,2014年。 谷歌学者 数字图书馆 雅各布·加德纳(Jacob R.Gardner)、杰夫·普莱斯(Geoff Pleiss)、大卫·宾德尔(David Bindel)、基利安·温伯格(Kilian Q.Weinberger)和安德鲁·戈登·威尔逊(Andrew Gordon Wilson)。 GPyTorch:GPU加速的黑箱矩阵高斯过程推断。 arXiv:1809.11165[cs,stat] ,2019年1月。 谷歌学者 Aric Hagberg、Pieter Swart和Daniel S Chult。 使用NetworkX探索网络结构、动态和功能。 技术报告,洛斯阿拉莫斯国家实验室(LANL),新墨西哥州洛斯阿拉莫斯,2008年。 谷歌学者 gem5-aladdin harvard-acc.gem5-aladdin SoC模拟器。 哈佛建筑、电路与编译器,2016年10月。 谷歌学者 gem5-aladdin-param哈佛acc.gem5-aladdin SoC模拟器。 哈佛建筑、电路与编译器,2021年10月。 谷歌学者 彼得·亨德森(Peter Henderson)、利亚沙特·伊斯拉姆(Riashat Islam)、菲利普·巴赫曼(Philip Bachman)、乔尔·皮诺(Joelle Pineau)、多伊娜·普雷库普(Doina Precup)和大卫·梅格(David Meger)。 重要的深层强化学习。 arXiv预印本arXiv:1709.06560 , 2017. 谷歌学者 弗兰克·赫特(Frank Hutter)、霍尔格·胡斯(Holger Hoos)和凯文·莱顿·布朗(Kevin Leyton-Brown)。 对昂贵的黑匣子函数基于序列模型的优化进行评估。 在 第十五届遗传与进化计算年会论文集 ,第1209--1216页,2013年。 谷歌学者 数字图书馆 Max Jaderberg、Valentin Dalibard、Simon Osindero、Wojciech M.Czarnecki、Jeff Donahue、Ali Razavi、Oriol Vinyals、Tim Green、Iain Dunning和Karen Simonyan。 基于人群的神经网络训练。 arXiv预打印arXiv:1711.09846 , 2017. 谷歌学者 Max Jaderberg、Valentin Dalibard、Simon Osindero、Wojciech M.Czarnecki、Jeff Donahue、Ali Razavi、Oriol Vinyals、Tim Green、Iain Dunning、Karen Simonyan、Chrisantha Fernando和Koray Kavukcuoglu。 基于人群的神经网络训练。 2017年11月。 谷歌学者 保罗·克莱恩。 因子分析简易指南。 劳特利奇,2014年。 谷歌学者 交叉引用 Daphne Koller和Nir Friedman。 概率图形模型:原理和技术。 麻省理工学院出版社,2009年。 谷歌学者 数字图书馆 Lisha Li、Kevin Jamieson、Giulia DeSalvo、Afshin Rostamizadeh和Amee Talwalkar。 超波段:一种基于盗贼的新型超参数优化方法。 机器学习研究杂志 , 18(1):6765--6816, 2017. 谷歌学者 数字图书馆 安迪·刘和马修·维纳。 通过randomForest进行分类和回归。 R新闻 , 2(3):18--22, 2002. 谷歌学者 刘海涛(Haitao Liu)、王紫松(Yew-Soon Ong)、沈晓波(Xiaobo Shen)和蔡健飞(Jianfei Cai)。 当高斯过程遇到大数据:可扩展GP的回顾。 arXiv:1807.01065[cs,统计] ,2019年4月。 谷歌学者 大卫·JC·麦凯。 贝叶斯神经网络和密度网络。 物理研究中的核仪器和方法A部分:加速器、光谱仪、探测器和相关设备 , 354(1):73--80, 1995. 谷歌学者 交叉引用 Azalia Mirhoseini、Hieu Pham、Quoc V.Le、Benoit Steiner、Rasmus Larsen、Yuefeng Zhou、Naveen Kumar、Mohammad Norouzi、Samy Bengio和Jeff Dean。 基于强化学习的设备布局优化。 CoRR公司 ,abs/1706.02017年6月。 谷歌学者 Ujval Misra、Richard Liaw、Lisa Dunlap、Romil Bhardwaj、Kirthevasan Kandasamy、Joseph E.Gonzalez、Ion Stoica和Alexey Tumanov。 RubberBand:基于云的超参数调整。 在 第十六届欧洲计算机系统会议记录 ,第327--342页,英国在线活动,2021年4月。 ACM公司。 谷歌学者 数字图书馆 布鲁斯·莫健(Bruce Momjian)。 PostgreSQL:简介和概念 第192卷。 Addison-Wesley纽约,2001年。 谷歌学者 数字图书馆 Luigi Nardi、David Koeplinger和Kunle Olukotun。 实用设计空间探索。 在 2019年IEEE第27届计算机和通信系统建模、分析和仿真国际研讨会(MASCOTS) ,第347-358页。 IEEE,2019年。 谷歌学者 交叉引用 开放源代码。 微软/nni。 微软,2020年12月。 谷歌学者 安迪·皮门特尔。 探索探索:嵌入式系统设计空间探索教程介绍。 IEEE设计与测试 , 34(1):77--90, 2016. 谷歌学者 交叉引用 卡尔·爱德华·拉斯穆森和克里斯托弗·威廉姆斯。 机器学习的高斯过程。 自适应计算和机器学习。 麻省理工学院出版社,剑桥,马萨诸塞州,3。 2008年印刷版。 谷歌学者 布兰登·里根(Brandon Reagen)、罗伯特·阿道夫(Robert Adolf)、亚昆·索菲亚·邵(Yakun Sophia Shao)、顾延伟(Gu-Yeon Wei)和大卫·布鲁克斯(David Brooks)。 Machsuite:加速器设计和定制架构的基准。 在 2014年IEEE工作负荷特性国际研讨会(IISWC) ,第110-119页。 IEEE,2014年。 谷歌学者 交叉引用 Mauro Scanagatta、Antonio Salmerón和Fabio Stella。 贝叶斯网络结构数据学习研究综述。 人工智能进展 ,2019年第1-15页。 谷歌学者 Bobak Shahraria、Kevin Swersky、Ziyu Wang、Ryan P Adams和Nando De Freitas。 让人类脱离循环:贝叶斯优化综述。 IEEE会议记录 , 104(1):148--175, 2015. 谷歌学者 交叉引用 Yakun Sophia Shao、Brandon Reagen、Gu-Yeon Wei和David Brooks。 阿拉丁(Aladdin):一个预rtl、高性能加速器模拟器,支持对定制架构进行大规模设计空间探索。 在 2014年ACM/IEEE第41届计算机体系结构国际研讨会(ISCA) ,第97页至第108页。 IEEE,2014年。 谷歌学者 交叉引用 Yakun Sophia Shao、Sam Likun Xi、Vijayalakshmi Srinivasan、Gu-Yeon Wei和David Brooks。 使用gem5-aladdin共同设计加速器和soc接口。 在 2016年第49届IEEE/ACM国际微体系结构研讨会(MICRO) ,第1-12页。 IEEE,2016年。 谷歌学者 交叉引用 贾斯珀·斯诺克(Jasper Snoek)、雨果·拉罗谢尔(Hugo Larochelle)和瑞安·亚当斯(Ryan P Adams)。 机器学习算法的实用贝叶斯优化。 在 神经信息处理系统研究进展 ,第2951-2959页,2012年。 谷歌学者 数字图书馆 理查德·萨顿(Richard S.Sutton)和安德鲁·巴托(Andrew G.Barto)。 强化学习:简介。 麻省理工学院出版社,剑桥马萨诸塞州,1998年。 谷歌学者 数字图书馆 Dana Van Aken、Andrew Pavlo、Geoffrey J.Gordon和Bohan Zhang。 通过大规模机器学习调整自动数据库管理系统。 在 2017年ACM国际数据管理会议记录-SIGMOID’17 ,第1009-1024页,美国纽约州纽约市,2017年。 ACM出版社。 谷歌学者 达娜·范·阿肯(Dana Van Aken)、杨东生(Dongsheng Yang)、塞巴斯蒂安·布里拉德(Sebastien Brillard)、阿里·菲奥里诺(Ari Fiorino)、张伯翰(Bohan Zhang)、克里斯蒂安·比林(Christian Bilien)和安德鲁·帕夫洛(Andrew。 对现实数据库管理系统上基于机器学习的自动配置调整服务的探讨。 VLDB捐赠会议记录 , 14(7):1241--1253, 2021. 谷歌学者 数字图书馆 Shivaram Venkataraman、Zongheng Yang、Michael Franklin、Benjamin Recht和Ion Stoica。 欧内斯特:大规模高级分析的高效性能预测。 在 第十三届{USENIX}网络系统设计与实现研讨会({NSDI}16) ,第363--378页,2016年。 谷歌学者 王子瑜、弗兰克·哈特、马斯鲁尔·佐吉、大卫·马西森和南多·德菲塔斯。 通过随机嵌入实现十亿维贝叶斯优化。 人工智能研究杂志 , 55:361--387, 2016. 谷歌学者 交叉引用 Svante Wold、Kim Esbensen和Paul Geladi。 主成分分析。 化学计量学和智能实验室系统 , 2(1--3):37--52, 1987. 谷歌学者 丁元、索延公园和周媛媛。 描述开源软件中的日志记录实践。 在 2012年第34届国际软件工程会议(ICSE) ,第102-112页。 IEEE,2012年。 谷歌学者 交叉引用 Xun Zheng、Bryon Aragam、Pradeep Ravikumar和Eric P Xing。 没有眼泪的匕首:结构学习的持续优化。 arXiv预打印arXiv:1803.01422 , 2018. 谷歌学者
建议
关于s-稳定Kneser图的多色数 对于正整数n和s,子集sí[n]是s-稳定的,如果sí|i-jín-s对不同的i,j∈s。 s-稳定的r-一致Kneser超图KGrn,ks-stable是r-一致超图,它具有[n]的所有s-稳定k-元素子集的集合。。。