华裔女博士生一作：Facebook提出用于超参数调整的自我监督学习框架

正文

请到「今天看啥」查看全文

大多数现有的超参数调整方法，如网格搜索、随机搜索和贝叶斯最优搜索，都是基于一个关键组件: 搜索。

因此，它们计算代价非常昂贵，不能应用于快速、可扩展的时间序列超参数调整。

研究人员提出的框架 SSL-HPT 使用时间序列特征作为输入（不牺牲精确度的情况下），在较短的时间内产生最佳的超参数。

那么，它们是如何工作的呢？

研究人员开发的自监督学习框架在预测时的两个主要任务: SSL-MS 和 SSL-HPT。

SSL-MS: SSL-MS 的自我监督学习框架包括三个步骤，如下所示:

1 离线训练数据准备: 获得每个时间序列的时间序列特征和每个时间序列的最佳性能模型通过离线超参数调整。

2 离线训练: 利用步骤1中的数据训练分类器(自我监督学习者) ，其中输入特征(预测器)是时间序列特征，标记是步骤1中性能最好的模型。

3 线模型预测: 在线服务中，对于新的时间序列数据，提取特征，然后使用预先训练的分类器进行推理，例如随机森林模型。

请到「今天看啥」查看全文