Un nuevo marco de ajuste de hiperparámetros para tareas de regresión en redes neuronales profundas: algoritmo de muestreo combinado para buscar los hiperparámetros optimizados
Autores: Tiep, Nguyen Huu; Jeong, Hae-Yong; Kim, Kyung-Doo; Xuan Mung, Nguyen; Dao, Nhu-Ngoc; Tran, Hoai-Nam; Hoang, Van-Khanh; Ngoc Anh, Nguyen; Vu, Mai The
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un nuevo marco de ajuste de hiperparámetros para tareas de regresión en redes neuronales profundas: algoritmo de muestreo combinado para buscar los hiperparámetros optimizados
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Optimización de hiperparámetros
Modelos de aprendizaje profundo
Marco CASOH
Algoritmo Metropolis-Hastings
Conjuntos de datos de regresión
Parámetros de física de red
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 20
Citaciones: Sin citaciones
Este documento presenta un nuevo marco de optimización de hiperparámetros para tareas de regresión llamado Algoritmo de Muestreo Combinado para Buscar los Hiperparámetros Optimizados (CASOH). Nuestro enfoque permite ajustar hiperparámetros para modelos de aprendizaje profundo con dos capas ocultas y múltiples tipos de hiperparámetros, mejorando la capacidad del modelo para trabajar con problemas de optimización complejos. El objetivo principal es mejorar el rendimiento del ajuste de hiperparámetros en modelos de aprendizaje profundo en comparación con métodos convencionales como la Optimización Bayesiana y la Búsqueda Aleatoria.
Descripción
Este documento presenta un nuevo marco de optimización de hiperparámetros para tareas de regresión llamado Algoritmo de Muestreo Combinado para Buscar los Hiperparámetros Optimizados (CASOH). Nuestro enfoque permite ajustar hiperparámetros para modelos de aprendizaje profundo con dos capas ocultas y múltiples tipos de hiperparámetros, mejorando la capacidad del modelo para trabajar con problemas de optimización complejos. El objetivo principal es mejorar el rendimiento del ajuste de hiperparámetros en modelos de aprendizaje profundo en comparación con métodos convencionales como la Optimización Bayesiana y la Búsqueda Aleatoria.