用线性代理模型增强遗传算法，提升超参优化的探索与利用平衡。
A Balanced Approach of Rapid Genetic Exploration and Surrogate Exploitation for Hyperparameter Optimization
- 将线性代理模型融入遗传算法，实现多策略平滑集成。
- 相比现有方法平均提升1.89%，最高达6.55%。
- 适合需要高效超参调优的机器学习研发人员。
本文提出一种新的超参数优化（HPO）方法，以平衡探索与利用。虽然进化算法（EAs）在HPO中表现出潜力，但往往难以有效利用。为此，我们将在遗传算法（GA）中集成线性代理模型，实现多种策略的平滑融合。该组合提升了利用性能，在多个测试中平均优于现有方法1.89%（最高提升6.55%，最低下降3.45%）。
原文摘要 · Abstract (English)
This paper proposes a new method for hyperparameter optimization (HPO) that balances exploration and exploitation. While evolutionary algorithms (EAs) show promise in HPO, they often struggle with effective exploitation. To address this, we integrate a linear surrogate model into a genetic algorithm (GA), allowing for smooth integration of multiple strategies. This combination improves exploitation performance, achieving an average improvement of 1.89 percent (max 6.55 percent, min -3.45 percent) over existing HPO methods.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。