- Автонастройка гиперпараметров для разреженного байесовского обучения(arXiv)
Автор: Давэй Гао, Цинхуа Го, Мин Цзинь, Гуйшэн Ляо, Йонина С. Эльдар
Аннотация. Выбор значений гиперпараметров в разреженном байесовском обучении (SBL) может значительно повлиять на производительность. Однако гиперпараметры обычно настраиваются вручную, что часто является сложной задачей. Совсем недавно эффективная автоматическая настройка гиперпараметров была достигнута с помощью эмпирического автоматического тюнера. В этой работе мы рассматриваем проблему автоматической настройки гиперпараметров с использованием обучения на основе нейронной сети (NN). Вдохновленные эмпирическим автонастройщиком, мы разрабатываем и изучаем автонастройку на основе нейронной сети и показываем, что можно добиться значительного улучшения скорости сходимости и производительности восстановления.
2. Новое разреженное байесовское обучение и его применение для диагностики неисправностей многостанционных сборочных систем(arXiv)
Автор:Джихун Чунг, Бо Шен, Чжэнью, Конг
Аннотация: В этом документе рассматривается проблема диагностики неисправностей в многостанционных сборочных системах. Диагностика неисправностей заключается в выявлении сбоев процесса, которые вызывают чрезмерное изменение размеров продукта, с помощью измерений размеров. Для таких задач задача заключается в решении недоопределенной системы, вызванной обычным явлением на практике; а именно, количество измерений меньше, чем количество ошибок процесса. Для решения этой задачи в данной статье предпринимается попытка решить следующие две проблемы: (1) как использовать временную корреляцию в данных временных рядов для каждой ошибки процесса и (2) как применять предварительное знание относительно того, какие ошибки процесса более вероятны. быть ошибками процесса. Для достижения вышеуказанных целей предлагается новый разреженный байесовский метод обучения. Метод состоит из трех иерархических уровней. Первый уровень имеет параметризованное априорное распределение, которое использует временную корреляцию каждой ошибки процесса. Кроме того, второй и третий уровни достигают априорного распределения, представляющего априорные знания об ошибках процесса. Затем эти априорные распределения обновляются функцией правдоподобия выборок измерений из процесса, что приводит к точному апостериорному распределению сбоев процесса из недоопределенной системы. Поскольку апостериорные распределения ошибок процесса не поддаются обработке, в этой статье получены приблизительные апостериорные распределения с помощью вариационного байесовского вывода. Чтобы продемонстрировать эффективность предложенного метода, были проведены численные и симуляционные тематические исследования с использованием реального процесса сборки кузова.
