申请/专利权人:甲骨文国际公司
申请日:2021-03-30
公开(公告)日:2022-11-25
公开(公告)号:CN115398418A
主分类号:G06F16/332
分类号:G06F16/332;G06N20/00
优先权:["20200330 US 63/002,159","20201130 US 63/119,577","20210329 US 17/216,496","20210329 US 17/216,498"]
专利状态码:在审-实质审查的生效
法律状态:2023.03.24#实质审查的生效;2022.11.25#公开
摘要:公开了用于对模型的超参数进行调优的技术。获得用于训练模型的数据集并选择用于评估模型的性能的度量。每个度量被指派指定对模型的性能的重要性的权重。创建基于加权度量测量性能的函数。对超参数进行调优以优化模型性能。对超参数进行调优包括:i训练基于超参数的当前值配置的模型;ii使用函数评估模型的性能;iii确定模型是否针对度量被优化;iv响应于模型未被优化,搜索超参数的新值,用新值重新配置模型,并使用重新配置的模型重复步骤i‑iii;以及v响应于模型针对度量被优化,提供经训练的模型。
主权项:1.一种方法,包括:获得用于训练机器学习模型的一个或多个数据集;选择用于评估机器学习模型在所述一个或多个数据集上的性能的多个度量;向所述多个度量中的每个度量指派第一权重,其中第一权重指定每个度量对所述机器学习模型的性能的重要性;创建成本或损失函数,其基于所述多个度量和指派给所述多个度量中的每个度量的第一权重来测量所述机器学习模型的性能;对与所述机器学习模型相关联的超参数的集合进行调优,以便针对所述多个度量优化所述机器学习模型,其中,所述调优包括:i在所述一个或多个数据集上训练所述机器学习模型,其中所述机器学习模型是基于所述超参数的集合的当前值集合而配置的;ii使用所述成本或损失函数评估所述机器学习模型在所述一个或多个数据集上的性能;iii基于所述评估确定所述机器学习模型是否针对所述多个度量被优化;iv响应于所述机器学习模型没有针对所述多个度量被优化,为超参数的集合搜索新的值集合,用所述新的值集合重新配置所述机器学习模型,以及使用经重新配置的机器学习模型重复步骤i-iii;以及v响应于所述机器学习模型针对所述多个度量被优化,提供所述机器学习模型作为经训练的机器学习模型。
全文数据:
权利要求:
百度查询: 甲骨文国际公司 用于基于约束的超参数调优的方法和系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。