SMAC公司

基于序列模型的算法配置。smc(sequential model-based algorithm configuration)是优化算法参数(或我们可以自动运行的其他进程的参数,或我们可以评估的函数,如模拟)的通用工具。SMAC帮助我们在某些实例分布上加快了局部搜索和树搜索算法的速度。最近,我们也发现它对于机器学习算法的超参数优化是非常有效的,比其他算法更适合于高维和离散输入维。最后,基于SMAC的预测模型还可以捕捉和利用模型域中的重要信息,例如哪些输入变量是最重要的。我们希望你能发现SMAC同样有用。最终,我们希望它能帮助算法设计者专注于比参数调整更具科学价值的任务。


zbMATH中的参考文献(参考文献58条)

显示第1到第20个结果,共58个。
按年份排序(引用)
  1. 艾哈迈德,穆罕默德·奥萨马;瓦斯瓦尼,沙兰;Schmidt,Mark:结合贝叶斯优化和Lipschitz优化(2020)
  2. 拜奥莱蒂,马可;迪巴里,加布里埃尔;米拉尼,阿尔弗雷多;Santucci,Valentino:置换问题代数交叉算子的实验比较(2020)
  3. 贝利斯,萨姆;科迪洛夫,诺迪尔;伊克巴尔,赛义德·M。;贝沙斯特尼克,伊万;霍斯,霍尔格H。;Hu,Alan J.:基于可伸缩约束的虚拟数据中心分配(2020)
  4. 比诺伊斯,米卡ël;金斯堡,大卫;Roustant,Olivier:基于随机嵌入的全局优化低维域的选择(2020)
  5. 坎达萨米、基尔谢瓦桑;维亚拉朱,卡伦·拉朱;奈斯旺格,威利;巴黎,比斯瓦吉;柯林斯,克里斯托弗。;施耐德,杰夫;波佐斯,巴拿巴;Xing,Eric P.:在没有研究生的情况下调整超参数:使用蜻蜓进行可伸缩和稳健的贝叶斯优化(2020)
  6. 克莱赞德,卢卡斯;Nysret,Musliu:解决一般员工调度问题(2020)
  7. 莫里科尼,里卡多;戴森罗斯,马克·彼得;塞什库马尔,K。S、 :使用低维特征空间的高维贝叶斯优化(2020)
  8. 莫里科尼,里卡多;库马尔,K。美国。塞什;Deisenroth,Marc Peter:使用分位数高斯过程进行预测的高维贝叶斯优化(2020)
  9. 里贝罗,丽塔P。;莫尼兹,努诺:不平衡回归和极值预测(2020)
  10. 图图,贾迈勒;罗西特,迭戈;Nesmachnow,Sergio:智能城市垃圾堆积点多目标定位的软计算方法(2020)
  11. 穆苏诺里班巴拉;井上,胜美;考夫曼,本杰明;冈本、藤田;肖布,托尔斯滕;哦,藏起来;田村直佑;Wanko,Philipp:\textiteaspoon:用答案集编程解决基于课程的课程时间表问题(2019年)
  12. Oh Chang Yong,Efstratios Gavves,Max Welling:BOCK:圆柱核贝叶斯优化(2019)阿尔十四
  13. 阿尔伯托弗兰津;Stützle,Thomas:重温模拟退火:基于组件的分析(2019)
  14. 林道尔,马吕斯;里扬。;Kotthoff,Lars:2015和2017(2019)算法选择竞赛
  15. 刘建峰;普洛斯卡斯,尼古拉斯;Sahinidis,Nikolaos V.:使用无导数优化算法调整BARON(2019年)
  16. 尼科利ć, 姆拉登;马林科维ć, 维斯纳;科夫ács,佐尔特án;贾尼čć, Predrag:Portfolio定理证明和prover运行时预测(2019)
  17. 帕格诺齐,费德里科;Stützle,Thomas:置换流水车间问题的混合随机局部搜索算法的自动设计(2019)
  18. 塞伦,马莱克本;巴乔克,弗兰çois;罗森特,奥利弗;甘博亚,法布里斯;托马索,莱昂内尔:基于高斯过程的面向目标序列设计的降维(2019)
  19. 王跃鹏;胡坤;任兰兰;Lin,Guang:基于最优观测的二维浅水方程地形反演(2019)
  20. Aggarwal,Charu C.:神经网络与深度学习。教科书(2018)

更多出版物请访问:http://www.cs.ubc.ca/labs/beta/Projects/SMAC/#论文/