贝叶斯优化在优化耗时的黑盒目标方面很受欢迎。尽管如此,对于深度神经网络中的超参数调整,即使是一些超参数设置评估验证错误所需的时间仍然是瓶颈。多保真优化有望减少对这些目标使用更便宜的代理 - 例如,使用训练点的子集训练网络的验证错误或者收敛所需的迭代次数更少。我们提出了一种高度灵活和实用的多保真贝叶斯优化方法,重点是有效地优化迭代训练的监督学习模型的超参数。我们引入了一种新的采集功能,即跟踪感知知识梯度,它有效地利用了多个连续保真度控制和跟踪观察---保真序列中物镜的值,当使用训练迭代改变保真度时可用。我们提供了可用于优化我们的采集功能的可变方法,并展示了它为超神经网络和大规模内核学习的超参数调整提供了最先进的替代方案。
translated by 谷歌翻译
肺炎是致命疾病之一,并且由于肺中的流体流动导致溺水,因此有可能在短时间内导致严重后果。如果在适当的时候没有药物作用,肺炎可能导致个体死亡。因此,早期诊断是疾病进展的关键因素。本文重点介绍了肺炎的生物学进展及其X射线成像检测,概述了提高诊断水平的研究,并提出了基于各种参数的X射线图像自动化的方法和结果,以便在非常好的情况下检测疾病。早期阶段。在本研究中,我们提出了分类任务的深度学习体系结构,通过多个预处理步骤对修改后的图像进行训练。我们的分类方法采用卷积神经网络和残差网络结构对图像进行分类。我们的研究结果准确率为78.73%,超过了之前最高的76.8%的得分准确率。
translated by 谷歌翻译
我们基于统计力学的思想,为S形信念网络开发了一个平均场理论。我们的平均场理论提供了对这些网络中真实概率分布的易处理的近似;它也证明了证据可能性的下限。我们证明了这个框架在统计模式识别的基准问题上的实用性 - 手写数字的分类。
translated by 谷歌翻译