.png){kind=icon}
返回
EMERALD-O: efficient multi-agent reinforcement learning framework for optimised deep learning hyperparameter tuning and selection
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-025-06878-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统超参数调优方法，如贝叶斯优化和网格搜索，在复杂深度学习架构上往往证明计算成本高且效率低下。本文介绍了基于多智能体强化学习（MARL）的框架EMERALD-O，用于优化深度学习网络。该MARL方法利用两个专用智能体，Agent1专注于数据增强，Agent 2负责管理学习率和优化器选择。智能体在一个模拟模型训练动态的环境中进行操作，并使用验证准确率作为奖励信号。通过ε-贪心探索和经验回放机制提升智能体性能。EMERALD-O在改进分类准确率和训练效率方面表现优异，达到88.59%。该框架展现出对多样化数据集特征的适应性，凸显了可扩展性和鲁棒性。该框架在为图像分类问题构建的不同模型（基于Efficientnet、VGG16和VGG19）上进行了验证。结果表明强化学习在微调复杂神经网络架构方面的潜力，并表明MARL可作为提升深度学习模型性能的有力工具。EMERALD-O通过推动深度神经网络优化的前沿，证明强化学习能够从根本上改变模型调优方法。该框架为自动化超参数优化建立了新范式，并为分析深度学习模型在不同超参数配置下的行为提供了系统性视角。通过量化模型对参数变化的响应，该方法能够深入洞察架构特征和性能动态，促进对深度学习系统的理论理解与实践优化。
Keyword:
Multi-agent reinforcement learning
Hyperparameter optimization
Deep neural networks
Automated machine learning
Image classification
Experience replay
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
A systematic review of hyperparameter optimization techniques in Convolutional Neural Networks卷积神经网络中超参数优化技术的系统综述
OAAI
OAAI分享收藏A Comprehensive Review on Leveraging Machine Learning for Multi-Agent Path Finding利用机器学习进行多智能体路径查找的综合评述.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏A review of research on reinforcement learning algorithms for multi-agents面向多智能体的强化学习算法研究综述NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容