> ML_ALGORITHM // HYPERBAND-SUCCESSIVE-HALVING_v1.0

Hyperband ve Kademeli Yarıya İndirme (Successive Halving)

Kaynakları dinamik olarak tahsis ederek ve düşük performans gösterenleri erken durdurarak rastgele ve Bayesci aramayı hızlandıran çoklu sadakatli optimizasyon algoritması.

Multi-Fidelity Resource Allocationevolutionary-searchhigh-intrinsiclarge (>100k)

Tüm Algoritmalara Dön

Hesaplama Karmaşıklığı

Eğitim (Training):O(B * log(B)) where B is total evaluation budget

Çıkarım (Inference):O(1)

Donanım Karakteristiği

CPU Uygunluğu:Evet

GPU Zorunluluğu:Evet

Bellek Ayak İzi:moderate

Açıklanabilirlik ve Veri

Açıklanabilirlik Düzeyi:high-intrinsic

Eğitim Verisi İhtiyacı:large (>100k)

Açıklanabilirlik Değerlendirmesi

Kademeli yarıya indirme dilimleri bütçeyi en iyi modellere odaklamak için umut vadetmeyen modelleri erken eler.

Uygun Görevler ve Desteklenen Modaliteler

Uygun Görevler:

hyperparameter tuningdeep learning architecture search

Desteklenen Modaliteler:

tabular

Uygulayıcı Kütüphaneler

OptunaPreferred Networks · v3.6.1

İncele

ray-tune

Temel Literatür & Yayınlar

Sık Karşılaşılan Hatalar ve Dikkat Edilmesi Gerekenler

Yavaş başlayan öğrenme oranı çizelgeleri veya yüksek ısınma gerektiren mimariler erken aşamalarda vaktinden önce elenir