逐域泛化策略：关于验证实例与缩放行为
机器学习
2025-05-02 v1 人工智能
摘要
最近的研究表明，可以学习成功的逐域泛化动作策略。从小规模训练实例到大规模测试实例的缩放行为是关键目标；而使用比训练实例更大的验证实例是实现这一目标的关键之一。先前的工作使用了固定的验证集。在此，我们引入了一种动态生成验证集的方法，只要信息丰富且可行，就即时增加实例规模。我们还引入了评估缩放行为的精细化方法，系统地生成测试实例，以保证每个实例规模下覆盖性能的给定置信度。在实验中，动态验证改善了图神经网络 (GNN) 策略在所有 9 个使用域中的缩放行为。
引用
@article{arxiv.2505.00439,
title = {Per-Domain Generalizing Policies: On Validation Instances and Scaling Behavior},
author = {Timo P. Gros and Nicola J. Müller and Daniel Fiser and Isabel Valera and Verena Wolf and Jörg Hoffmann},
journal= {arXiv preprint arXiv:2505.00439},
year = {2025}
}
备注
7 pages, 3 tables, 3 figures, 3 algorithms