logo móvil
Contáctanos

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

Descargar PDF

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


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.

Otros recursos que podrían interesarte

Temas Virtualpro