深度多目标预测中的超参数优化
机器学习
2022-11-09 v1
摘要
随着机器学习模型配置与微调的复杂性日益增加，自动化机器学习（AutoML）领域在过去十年中应运而生。然而，像 Auto-WEKA 和 Auto-sklearn 这样的软件实现通常侧重于分类和回归等经典机器学习（ML）任务。我们的工作可被视为首次尝试为多目标预测范畴下的大多数问题设置提供单一的 AutoML 框架，这包括多标签分类、多元回归、多任务学习、二价预测、矩阵补全和零样本学习等流行的 ML 设置。通过将流行的超参数优化（HPO）方法扩展到 DeepMTP（一个面向 MTP 问题设置的通用深度学习框架），实现了自动化问题选择与模型配置。我们在不同数据集和 MTP 问题设置上的广泛基准测试，识别出了特定 HPO 方法优于其他方法的案例。
引用
@article{arxiv.2211.04362,
title = {Hyperparameter optimization in deep multi-target prediction},
author = {Dimitrios Iliadis and Marcel Wever and Bernard De Baets and Willem Waegeman},
journal= {arXiv preprint arXiv:2211.04362},
year = {2022}
}
备注
17 pages, 4 figures, 1 table