Краткое содержание

arXiv:2410.11330v2 Тип объявления: замена Аннотация: AfterLearnER (ретрофитинг эволюционного дообучения после обучения) заключается в применении методов оптимизации на основе эволюции для тонкой настройки полностью обученных моделей машинного обучения путем оптимизации специально подобранных параметров модели или гиперпараметров относительно некоторого реального, точного и, следовательно, возможно, нелинейного сигнала ошибки, вычисляемого на подмножестве стандартного набора проверки. Эффективность метода AfterLearnER демонстрируется на примерах решения задач с нелинейными сигналами, такими как пороговые критерии в задаче оценки глубины сцены, коэффициент ошибок распознавания речи при повторной синтезе речи, количество убийств на жизнь в игре Doom, вычислительная точность или показатель BLEU при переводе программного кода, качество изображений в трехмерных порождающих состязательных сетях (GAN), а также обратная связь пользователей при генерации изображений с помощью латентных диффузионных моделей (LDM). Ретрофитинг может выполняться либо после завершения основного этапа обучения, либо динамически во время выполнения прогнозирования с учетом обратной связи от пользователя. Преимущества подхода AfterLearnER заключаются в его универсальности и гибкости...