幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

多目標貝葉斯優化(面向大模型的超參調優理論)

  • 作者：徐華//王洪燕//袁源|責編:白立軍//常建麗
  • 出版社：清華大學
  • ISBN：9787302667513
  • 出版日期：2024/07/01
  • 裝幀：平裝
  • 頁數：182
人民幣：RMB 59 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書關注大模型超參調優這類昂貴的多目標優化問題，針對其經典的求解方法（貝葉斯優化方法）開展理論方法探索。針對低維和高維決策空間中的並行化麗數評估問題，獲取函數優化效率問題以及維度災難和邊界問題，本書對多目標貝葉斯優化方法進行四方面的研究，旨在有效地求解低維和高維昂貴的多目標優化問題。
    本書可作為當前大模型超參調優理論研究與應用實踐的指導書，也可作為演化學習、智能優化、大數據及人工智慧等相關專業的教材和參考書。
作者介紹
徐華//王洪燕//袁源|責編:白立軍//常建麗
目錄
第1章  概述
  1.1  研究背景
  1.2  昂貴的多目標優化問題
  1.3  研究現狀分析
    1.3.1  低維多目標貝葉斯優化方法
    1.3.2  高維多目標貝葉斯優化方法
  1.4  本書的主要研究內容
  1.5  本書的結構安排
第2章  背景知識
  2.1  基本概念
  2.2  貝葉斯優化
  2.3  高斯過程
    2.3.1  均值函數和核函數選擇
    2.3.2  超參數選擇
  2.4  獲取函數
    2.4.1  期望改進
    2.4.2  知識梯度
    2.4.3  熵搜索和預測熵搜索
    2.4.4  多步最優獲取函數
  2.5  標準合成的多目標測試問題
  2.6  多目標優化方法的評價指標
  2.7  本章小結
第3章  研究綜述
  3.1  綜述部分的總體結構
  3.2  相關研究工作
    3.2.1  高維優化
    3.2.2  組合優化
    3.2.3  雜訊和魯棒優化
    3.2.4  昂貴的約束優化
    3.2.5  多目標優化
    3.2.6  多任務優化
    3.2.7  多保真度優化
    3.2.8  遷移學習/元學習
    3.2.9  並行/批次貝葉斯優化
  3.3  本章小結
第4章  基於自適應採樣的批量多目標貝葉斯優化方法
  4.1  引言
  4.2  ParEGO簡介與局限性分析
  4.3  基於自適應採樣的批量多目標貝葉斯優化的研究方法
    4.3.1  演算法框架
    4.3.2  初始化
    4.3.3  函數評估與目標函數聚合
    4.3.4  獲取函數
    4.3.5  自適應批量採樣
    4.3.6  高斯模型及更新
  4.4  實驗
    4.4.1  實驗設置
    4.4.2  標準合成測試集上的對比結果
    4.4.3  採樣策略對演算法性能的影響
  4.5  神經網路超參調優任務案例分析

    4.5.1  問題描述
    4.5.2  實驗結果與分析
  4.6  本章小結
第5章  基於塊坐標更新的高維多目標貝葉斯優化方法
  5.1  引言
  5.2  基於塊坐標更新的高維多目標貝葉斯優化的研究方法
    5.2.1  演算法框架
    5.2.2  初始化
    5.2.3  函數評估與目標函數聚合
    5.2.4  塊坐標更新
    5.2.5  E貪心獲取函數
    5.2.6  高斯模型及候選解推薦
  5.3  實驗
    5.3.1  實驗設置
    5.3.2  標準合成測試集上的對比結果
    5.3.3  塊坐標更新對決策空間降維的影響
    5.3.4  E-貪心獲取函數對平衡收斂性與多樣性的影響
    5.3.5  塊大小d對演算法性能的影響
    5.3.6  上下文向量對演算法性能的影響
  5.4  本章小結
第6章  基於可加高斯結構的高維多目標貝葉斯優化方法
  6.1  引言
  6.2  ADD-GP-UCB簡介與局限性分析
  6.3  基於可加高斯結構的高維多目標貝葉斯優化的研究方法
    6.3.1  演算法框架
    6.3.2  初始化
    6.3.3  函數評估與目標函數聚合
    6.3.4  決策空間劃分學習
    6.3.5  可加高斯模型
    6.3.6  可加雙目標獲取函數和候選解推薦
    6.3.7  模型更新
  6.4  實驗
    6.4.1  實驗設置
    6.4.2  標準合成測試集上的對比結果
    6.4.3  可加雙目標獲取函數對演算法性能的影響
  6.5  本章小結
第7章  基於變數交互分析的高維多目標貝葉斯優化方法
  7.1  引言
  7.2  基於變數交互分析的高維多目標貝葉斯優化的研究方法
    7.2.1  演算法框架
    7.2.2  初始化與函數評估
    7.2.3  可分多目標問題重定義
    7.2.4  決策空間劃分學習
    7.2.5  多目標可加高斯模刑
    7.2.6  候選解推薦
    7.2.7  模型更新
  7.3  實驗
    7.3.1  實驗設置
    7.3.2  標準合成測試集上的對比結果
    7.3.3  獲取函數對演算法性能的影響

  7.4  本章小結
第8章  智能交通領域優化問題案例分析
  8.1  問題描述
    8.1.1  汽車側面碰撞問題
    8.1.2  帶有偏好信息的汽車駕駛室設計問題
  8.2  實驗結果與分析
    8.2.1  汽車側面碰撞問題的結果分析
    8.2.2  帶有偏好信息的汽車駕駛室設計問題的結果分析
  8.3  本章小結
第9章  未來研究工作展望
  9.1  分散式貝葉斯優化
  9.2  聯邦貝葉斯優化
  9.3  動態優化
  9.4  異構評估
  9.5  演算法公平性
  9.6  非平穩優化
  9.7  負遷移
第10章  全書總結
參考文獻
附錄
  英文對照表
  圖索引
  表索引

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032