贝叶斯优化相关 AI 资讯 · AITOP

9月2日

10:07

官方账号arXiv cs.LG@Zhiliang Chen, Sebastian Ament, David Eriksson, Maximilian Balandat, Eytan Bakshy, Jihao Andreas Lin

精选73°

研究人员提出Power-Law Entropy Search (PLES)方法，用于高效估计大语言模型训练的最佳超参数缩放定律。PLES基于多保真度贝叶斯优化，通过自适应实验减少计算资源消耗。在合成基准、真实LLM训练数据和实际预训练任务中，PLES仅需传统网格搜索不到十分之一的计算量，就能收敛到准确的超参数缩放定律。

论文 PLES 超参数缩放定律贝叶斯优化

推荐理由：PLES让大模型训练调参效率提升10倍，用小规模实验预测大规模最优配置。

原文

8月28日

20:22

官方账号arXiv cs.LG@Joshua Le Grice

精选73°

研究使用贝叶斯优化针对三种不同市场 regimes 进行超参数选择，训练了五种模型在300只美股上。XGBoost与TabNet组合的混合模型实现年化收益51.26%，夏普比率2.44，CAPM alpha为0.423(p=0.011)。该组合接近零beta，表明超额收益来自选股而非市场暴露。交互应用使结果可实时探索。

论文 XGBoost TabNet 贝叶斯优化

推荐理由：论文展示如何用贝叶斯优化提升交易信号鲁棒性，混合模型年化收益超50%，适合量化交易研究者。

原文

8月26日

10:20

官方账号arXiv cs.LG@Heng Zhang, Haotian Xiang, Qin Lu, Konstantinos D. Polyzos, Tara Javidi

本文提出KENDO框架，结合集成高斯过程与冲突感知获取策略，实现贝叶斯优化和主动学习的统一。KENDO-BO在单目标优化中表现优异，KENDO-AL在主动学习中优于MCMC基准，速度提升27倍。

论文贝叶斯优化主动学习集成高斯过程

推荐理由：这篇论文提出了KENDO框架，结合了集成高斯过程与冲突感知获取策略，对于贝叶斯优化和主动学习领域的研究者来说，是一个值得关注的创新点。

原文

8月19日

11:41

官方账号arXiv cs.LG@Travis Zhang, Christian Belardi, Justin Lovelace, Jin Peng Zhou, Saebyeol Shin, Carla P. Gomes, Kilian Q. Weinberger

扩散模型采样通常需要多次神经网络前向传播，计算成本高昂。研究提出OYS方法，将时间步选择视为黑盒优化问题，直接使用贝叶斯优化目标指标。该方法在文本生成和图像修复任务上均优于默认采样方案，5步OYS采样可保留50步采样的89%-94%质量，同时降低10倍推理成本。

论文扩散模型贝叶斯优化 OYS

推荐理由：OYS方法用贝叶斯优化调整扩散模型采样，5步就能达到50步的质量，速度提升10倍，还不需额外训练。

原文

8月13日

18:15

官方账号arXiv cs.AI@Aman Tyagi, Hemanth Boinpally, Jonathan Chen, Douglas Gebert, Steven Hickson

该论文提出Agentic Self-Improvement框架，将图像到视频（I2V）生成重构为闭环优化。第一阶段用多模态大模型迭代优化提示词，通过Davidsonian Scene Graph（DSG）查询和Common Mistake Questions（CMQ）分别检测语义一致性与伪影。第二阶段用贝叶斯优化联合调优随机种子和CFG尺度，并引入Video-Text Adherence（VTA）评分作为质量指标。在人类偏好测试中，该方法生成的视频对比无引导搜索方法最高获得69%的胜率。

论文 Agentic Self-Improvement 图像生成视频贝叶斯优化

推荐理由：想让视频生成听你的话？这篇论文用多模态大模型加贝叶斯优化调提示词和参数，胜率最高69%，告别瞎试。

原文

7月29日

11:20

官方账号arXiv cs.LG@ Sha, Miao, Alexandra Vendetti, Logan Smart, Gunta Chomchalerm, Yang Chen, Christopher Frazier, Dustin Haralson, Jeremy Sorenson, Xiao Ma, Huafei Sun, Aaron Shinn, Haining Zheng, Xiao-Hui Wu, Peng Xu

论文提出一种自动化数据驱动工作流，集成ML模型预测气举性能曲线，并采用贝叶斯优化框架在设施容量约束下求解最优注气速率。该ML模型仅需历史生产时间序列数据，无需井下压力计或多速率试井。在Bakken油田5个井场30口井的试点中平均增产超过5%，目前已全面部署至200余口气举及柱塞辅助气举井。此方法特别适用于因成本或设施限制无法获取井下数据或多速率测试的资产。

论文 Bakken Gas Lift Machine Learning

推荐理由：这篇论文用ML加贝叶斯优化，在Bakken油田200多口井实现了5%以上的增产，不用额外下设备，省钱又高效。

原文

09:22

官方账号arXiv cs.LG@Dário Passos

论文在25个近红外回归任务上测试了光谱数据属性（熵、内在秩、小波能量支撑比等）能否为CNN设计提供经验先验。使用两种可解释1D-CNN框架，通过5折交叉验证贝叶斯超参数优化（HPO）发现：最小CNN中最佳卷积核分数随光谱熵和内在秩降低、随小波能量支撑比升高，学习率随训练集大小降低。直接和留一数据集验证的中位测试RMSE比分别为0.953和1.017，接近HPO性能。单独实验中联合预处理和CNN HPO在19/25任务上优于标准化光谱HPO。

论文 CNN NIR 化学计量学

推荐理由：这篇论文告诉你，不用盲目调参：用光谱的熵、相关性等指标就能提前猜出CNN该设多大卷积核、多少学习率，省掉一堆试错时间。

原文

7月7日

12:09

官方一手arXiv: OpenAI@Nicole Sonne Heckmann, Arnault-Quentin Vermillet, Søren Norlin Mølgaard, Manuela Del Castillo Suero, Lars Melskens, Gerard Ompad, Maurizio Sessa

该研究开发了一种高斯过程兼容的优化目标（EWACS），用于提升LLM在药物警戒因果关系评估中的表现。在723份FAERS病例上，GPT-5.2在Naranjo算法问题5和10上分别达到74.1%和65.4%的专家一致性。贝叶斯优化后，因果分类一致性从45.0%提升至72.0%，其中Doubtful病例提升最大（+42.9个百分点）。结果表明，温度优化虽无普遍最优值，但可针对特定病例带来显著改善。

论文 GPT-5.2 OpenAI 药物警戒

推荐理由：这篇论文用GPT-5.2做药物副作用评估，温度调优后准确率从45%跳到72%，对药物安全分析很有参考价值。

原文

6月9日

11:39