Address 110 ABS的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

貝氏最佳化的小樣本採集函數學習

為了解決Address 110 ABS的問題，作者謝秉瑾 這樣論述：

貝氏最佳化 (Bayesian optimization, BO) 通常依賴於手工製作的採集函數 (acqui- sition function, AF) 來決定採集樣本點順序。然而已經廣泛觀察到，在不同類型的黑 盒函數 (black-box function) 下，在後悔 (regret) 方面表現最好的採集函數可能會有很 大差異。 設計一種能夠在各種黑盒函數中獲得最佳性能的採集函數仍然是一個挑戰。 本文目標在通過強化學習與少樣本學習來製作採集函數(few-shot acquisition function, FSAF)來應對這一挑戰。 具體來說，我們首先將採集函數的概念與 Q 函數 (Q

-function) 聯繫起來，並將深度 Q 網路 (DQN) 視為採集函數。 雖然將 DQN 和現有的小樣本 學習方法相結合是一個自然的想法，但我們發現這種直接組合由於嚴重的過度擬合(overfitting) 而表現不佳，這在 BO 中尤其重要，因為我們需要一個通用的採樣策略。 為了解決這個問題，我們提出了一個 DQN 的貝氏變體，它具有以下三個特徵: (i) 它 基於 Kullback-Leibler 正則化 (Kullback-Leibler regularization) 框架學習 Q 網絡的分佈(distribution) 作為採集函數這本質上提供了 BO 採樣所需的不確定性並減輕了

過度擬 合。 (ii) 對於貝氏 DQN 的先驗 (prior)，我們使用由現有被廣泛使用的採集函數誘導 學習的演示策略 (demonstration policy)，以獲得更好的訓練穩定性。 (iii) 在元 (meta) 級別，我們利用貝氏模型不可知元學習 (Bayesian model-agnostic meta-learning) 的元 損失 (meta loss) 作為 FSAF 的損失函數 (loss function)。 此外，通過適當設計 Q 網 路，FSAF 是通用的，因為它與輸入域的維度 (input dimension) 和基數 (cardinality) 無 關。通過廣

泛的實驗，我們驗證 FSAF 在各種合成和現實世界的測試函數上實現了與 最先進的基準相當或更好的表現。

平均位移法應用於可微分式架構搜索

為了解決Address 110 ABS的問題，作者周承翰 這樣論述：

在神經架構搜索(NAS)中，可微分式架構搜索(DARTS)是一項基於連續鬆弛網路且有效率的搜索方法，同時能在較低的搜索運算資源中實現。DARTS不僅在自動化機器學習(Auto-ML)領域中吸引了很多研究者的關注，且在近期被視為NAS領域的標竿方法之一。儘管DARTS在搜索效率上比傳統的NAS方法更佳，但DARTS在離散轉換到連續的過程卻有著搜索穩定性的問題。經過再現實驗並觀察，發現DARTS的搜索不穩定性會導致驗證階段的準確率急劇降低，為了解決此問題，此篇論文提出將平均位移(Mean-Shift)應用於DARTS上，在搜索時加入此一方法的採樣並配合搜索擾動機制。這方法在物理意義上，藉由適當的

Mean-Shift參數平滑化連續情況下搜索時的損失，來提升DARTS的搜索穩定性和驗證階段的準確率。而平均位移應用於DARTS上的收斂性，可以依據平均位移法的半徑長度等參數來做調整。最終我將此一方法驗證在諸個公開的資料集上，如：Cifar10、Cifar100、ImageNet，且在這些資料集上的準確率都達到相關方法的最佳。