简单且可扩展的并行化贝叶斯优化
机器学习
2020-06-25 v1 机器学习
摘要
近年来，利用并行与分布式计算资源已成为解决高计算成本问题的关键。贝叶斯优化（BO）在此类评价代价昂贵的任务（如机器学习算法的超参数优化）中展现出引人瞩目的结果。尽管已开发诸多并行 BO 方法以高效利用这些计算资源，但它们或假设同步设置，或缺乏可扩展性。本文提出一种面向异步并行设置的简单且可扩展的 BO 方法。通过在基准函数与多层感知机超参数优化上的实验，验证了所提方法具有良好的性能。
引用
@article{arxiv.2006.13600,
title = {Simple and Scalable Parallelized Bayesian Optimization},
author = {Masahiro Nomura},
journal= {arXiv preprint arXiv:2006.13600},
year = {2020}
}
备注
accepted to the NewInML forum (co-located with NeurIPS 2019)