多目標貝葉斯優化-面向大模型的超參調優理論 徐華 王洪燕 9787302667513 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：清華大學
物品所在地：中國大陸
原出版社：清華大學
NT$375
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為正確資訊。 印行年月：202407*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：多目標貝葉斯優化-面向大模型的超參調優理論 ISBN：9787302667513 出版社：清華大學 著編譯者：徐華 王洪燕 頁數：182 所在地：中國大陸 *此為代購商品 書號：1681169 可大量預訂，請先連絡。 內容簡介 本書關注大模型超參調優這類昂貴的多目標優化問題，針對其經典的求解方法（貝葉斯優化方法）開展理論方法探索。針對低維和高維決策空間中的并行化麗數評估問題，獲取函數優化效率問題以及維度災難和邊界問題，本書對多目標貝葉斯優化方法進行四方面的研究，旨在有效地求解低維和高維昂貴的多目標優化問題。 本書可作為當前大模型超參調優理論研究與應用實踐的指導書，也可作為演化學習、智能優化、大數據及人工智慧等相關專業的教材和參考書。作者簡介 徐華，博士，2003年畢業於清華大學計算機科學與技術系，現為清華大學計算機科學與技術系長聘副教授，博士生導師。從事多模態智能信息處理、智能優化和共融機器人智能控制等研究工作。擔任愛思唯爾（Elsevier）開放期刊Intelligent Systems with Applications首任主編，權威期刊Expert Systems with Applications副主編。完成國家科技重大專項課題3項，國家自然科學基金項目4項，國家973項目二級課題2項，國家863項目（課題）5項，國際500強企業（寶潔、西門子、安捷倫等）合作項目13項。目前已在本專業領域權威國際期刊和AAAI、ACL、ACMMM等頂級會議上發表學術論文100餘篇。獲得國家科技進步獎二等獎1項（集體獎），北京市科學技術獎一等獎1項，北京市科學技術獎二等獎1項（集體獎），北京市科學技術獎三等獎1項，重慶市科技進步獎三等獎1項，中國物流與採購聯合會科技發明獎一等獎1項，中國物流與採購聯合會科學技術獎一等獎1項。作為主講教師，主講清華大學全校性課程「數據挖掘：方法與應用」「工業數據挖掘與分析」「互聯網產品設計」等課程。獨立編寫專著和教材5本，其中《演化機器學習》是國內首部演化機器學習領域的學術專著；《面向共融機器人的自然交互——人機對話意圖理解》是國內首部共融機器人自然交互領域的學術專著；《數據挖掘：方法與應用》和《數據挖掘：方法與應用——應用案例》已經被國內眾多高校選用為配套教材，並獲得清華大學優秀教材（2020年）二等獎。目錄 第1章 概述1 1 研究背景 1 2 昂貴的多目標優化問題 1 3 研究現狀分析 1 3 1 低維多目標貝葉斯優化方法 1 3 2 高維多目標貝葉斯優化方法 1 4 本書的主要研究內容 1 5 本書的結構安排 第2章 背景知識 2 1 基本概念 2 2 貝葉斯優化 2 3 高斯過程 2 3 1 均值函數和核函數選擇 2 3 2 超參數選擇 2 4 獲取函數 2 4 1 期望改進 2 4 2 知識梯度 2 4 3 熵搜索和預測熵搜索 2 4 4 多步最優獲取函數 2 5 標準合成的多目標測試問題 2 6 多目標優化方法的評價指標 2 7 本章小結 第3章 研究綜述 3 1 綜述部分的總體結構 3 2 相關研究工作 3 2 1 高維優化 3 2 2 組合優化 3 2 3 雜訊和魯棒優化 3 2 4 昂貴的約束優化 3 2 5 多目標優化 3 2 6 多任務優化 3 2 7 多保真度優化 3 2 8 遷移學習/元學習 3 2 9 并行/批次貝葉斯優化 3 3 本章小結 第4章 基於自適應採樣的批量多目標貝葉斯優化方法 4 1 引言 4 2 ParEGO簡介與局限性分析 4 3 基於自適應採樣的批量多目標貝葉斯優化的研究方法 4 3 1 演算法框架 4 3 2 初始化 4 3 3 函數評估與目標函數聚合 4 3 4 獲取函數 4 3 5 自適應批量採樣 4 3 6 高斯模型及更新 4 4 實驗 4 4 1 實驗設置 4 4 2 標準合成測試集上的對比結果 4 4 3 採樣策略對演算法性能的影響 4 5 神經網路超參調優任務案例分析 4 5 1 問題描述 4 5 2 實驗結果與分析 4 6 本章小結 第5章 基於塊坐標更新的高維多目標貝葉斯優化方法 5 1 引言 5 2 基於塊坐標更新的高維多目標貝葉斯優化的研究方法 5 2 1 演算法框架 5 2 2 初始化 5 2 3 函數評估與目標函數聚合 5 2 4 塊坐標更新 5 2 5 E貪心獲取函數 5 2 6 高斯模型及候選解推薦 5 3 實驗 5 3 1 實驗設置 5 3 2 標準合成測試集上的對比結果 5 3 3 塊坐標更新對決策空間降維的影響 5 3 4 E-貪心獲取函數對平衡收斂性與多樣性的影響 5 3 5 塊大小d對演算法性能的影響 5 3 6 上下文向量對演算法性能的影響 5 4 本章小結 第6章 基於可加高斯結構的高維多目標貝葉斯優化方法 6 1 引言 6 2 ADD-GP-UCB簡介與局限性分析 6 3 基於可加高斯結構的高維多目標貝葉斯優化的研究方法 6 3 1 演算法框架 6 3 2 初始化 6 3 3 函數評估與目標函數聚合 6 3 4 決策空間劃分學習 6 3 5 可加高斯模型 6 3 6 可加雙目標獲取函數和候選解推薦 6 3 7 模型更新 6 4 實驗 6 4 1 實驗設置 6 4 2 標準合成測試集上的對比結果 6 4 3 可加雙目標獲取函數對演算法性能的影響 6 5 本章小結 第7章 基於變數交互分析的高維多目標貝葉斯優化方法 7 1 引言 7 2 基於變數交互分析的高維多目標貝葉斯優化的研究方法 7 2 1 演算法框架 7 2 2 初始化與函數評估 7 2 3 可分多目標問題重定義 7 2 4 決策空間劃分學習 7 2 5 多目標可加高斯模刑 7 2 6 候選解推薦 7 2 7 模型更新 7 3 實驗 7 3 1 實驗設置 7 3 2 標準合成測試集上的對比結果 7 3 3 獲取函數對演算法性能的影響 7 4 本章小結 第8章 智能交通領域優化問題案例分析 8 1 問題描述 8 1 1 汽車側面碰撞問題 8 1 2 帶有偏好信息的汽車駕駛室設計問題 8 2 實驗結果與分析 8 2 1 汽車側面碰撞問題的結果分析 8 2 2 帶有偏好信息的汽車駕駛室設計問題的結果分析 8 3 本章小結 第9章 未來研究工作展望 9 1 分散式貝葉斯優化 9 2 聯邦貝葉斯優化 9 3 動態優化 9 4 異構評估 9 5 演算法公平性 9 6 非平穩優化 9 7 負遷移 第10章 全書總結 參考文獻 附錄 英文對照表 圖索引 表索引 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
