.png){kind=icon}
返回
Practitioner Motives to Use Different Hyperparameter Optimization Methods
.png){kind=icon}
PRE
AI
DOI：10.1145/3745771.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
程序化超参数优化（HPO）方法，如贝叶斯优化和进化算法，以其在识别机器学习（ML）模型最优配置时的样本效率而闻名。然而，实践者通常使用效率较低的方法，如网格搜索，这可能导致模型优化不足。这种差异表明HPO方法的选择可能受到实践者特定动机的影响，而这些动机的理解不足阻碍了以用户为中心的HPO工具的进步。为揭示这些动机，我们与49名ML实践者进行了20次半结构化访谈和一项在线调查。我们揭示了六项主要目标（例如，提高对ML模型的理解）和14个情境因素（例如，可用的计算资源）影响实践者对HPO方法的选择。本研究为理解现实世界中的HPO实践提供了概念基础，并为在自动化机器学习（AutoML）中开发更以用户为中心和情境自适应的HPO工具提供了信息。
Keyword:
Artificial Intelligence (AI)
Automated Machine Learning (AutoML)
Human-AI Collaboration
Hyperparameter Optimization (HPO)
User-centered HPO
期刊
IF:
6.6
论文数:
73
被引数:
3.9K
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
Hyperparameter optimization: Foundations, algorithms, best practices, and open challenges超参数优化: 基础、算法、最佳实践和开放挑战
OAAI
OAAI分享收藏
查看更多内容