هوش مصنوعی
LLINBO چارچوبی برای بهینه‌سازی بیزی با کمک مدل‌های زبانی پیشنهاد می‌کند
پیش‌چاپی در arXiv چارچوبی معرفی می‌کند که زمان استفاده از پیشنهادهای مدل زبانی را در بهینه‌سازی توابع پرهزینه مدیریت می‌کند؛ جزئیات عملکرد آن در چکیدهٔ در دسترس نیامده است.
بهینه‌سازی بیزی (BO) روشی برای تصمیم‌گیری مرحله‌ای و یافتن بیشینه یا کمینهٔ توابع جعبه‌سیاهِ پرهزینه است. پژوهشگران در پیش‌چاپی با عنوان LLINBO می‌گویند مدل‌های زبانی بزرگ می‌توانند با تکیه بر دانش زمینه‌ای، در شرایطی که دادهٔ کمی وجود دارد، نقطه‌های مناسبی برای آزمایش پیشنهاد دهند؛ اما این مدل‌ها مدل جانشین صریح و برآورد عدم‌قطعیتِ کالیبره‌شده ندارند و سازوکار درونی‌شان نیز مبهم است. به‌گفتهٔ نویسندگان، این ابهام ممکن است به آزمایش‌های غیرضروری و پرهزینه بینجامد و مانع نزدیک‌شدن جست‌وجو به نقطهٔ بهینه شود. LLINBO چارچوبی عمومی است که روش‌های موجودِ بهینه‌سازی بیزی مبتنی بر مدل زبانی را دربرمی‌گیرد و تصمیم می‌گیرد چه زمانی از آن‌ها استفاده شود. چکیدهٔ ارائه‌شده توضیح بیشتری دربارهٔ سازوکار یا نتایج ارزیابی چارچوب نمی‌دهد. این مقاله پیش‌چاپ است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده