Scaling Up Optuna: P2P Distributed Hyperparameters Optimization

ABSTRACT In machine learning (ML), hyperparameter optimization (HPO) is the process of choosing a tuple of values that ensures an efficient deployment and training of an AI model. In practice, HPO not only applies to ML tuning but can also be used to tune complex numerical simulations. In this conte...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Concurrency and computation Ročník 37; číslo 4-5
Hlavní autor:	Cudennec, Loïc
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Hoboken, USA John Wiley & Sons, Inc 28.02.2025 Wiley Subscription Services, Inc Wiley
Edice:	e70008
Témata:	Algorithms Computer Science Computer simulation distributed computing Energy consumption high‐performance computing hyperparameters optimization Machine learning Numerical models operational research Optimization optuna Parameters peer‐to‐peer Scaling up Simulation Tuning Energy consumption Operational Research Peer-to-peer High-Performance Computing Optuna Distributed Computing Machine Learning Hyperparameters Optimization
ISSN:	1532-0626, 1532-0634
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!