Put CASH于Bandits：面向 AutoML 的 Max K-臂问题
计算与语言
2025-09-04 v2
摘要
组合算法选择与超参数优化(CASH)是 AutoML 领域的具有挑战性的资源分配问题。我们提出MaxUCB方法，用于在探索不同模型类别和进行超参数优化之间进行权衡。MaxUCB专为该场景中出现的轻尾有界奖励分布设计，因而在假设重尾奖励分布的经典Max K-臂方法之外提供了更高效的替代方案。我们在四个标准 AutoML 基准上对该方法进行理论与实证评估，显示其优于先前方法。我们将代码和数据置于https://github.com/amirbalef/CASH_with_Bandits
引用
@article{arxiv.2505.05225,
title = {QualBench: Benchmarking Chinese LLMs with Localized Professional Qualifications for Vertical Domain Evaluation},
author = {Mengze Hong and Wailing Ng and Chen Jason Zhang and Di Jiang},
journal= {arXiv preprint arXiv:2505.05225},
year = {2025}
}
备注
Accepted by EMNLP 2025 Main Conference. Homepage: https://github.com/mengze-hong/QualBench