Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Hyperparameter Optimization via Interacting with Probabilistic Circuits

Created by
  • Haebom

저자

Jonas Seng, Fabrizio Ventola, Zhongjie Yu, Kristian Kersting

개요

본 논문은 기존의 상호작용적 베이지안 최적화(BO) 방법들이 사용자의 사전 분포를 이용하여 획득 함수에 가중치를 부여하는 방식으로 사용자 피드백을 반영하지만, 획득 함수의 내부 최적화 과정으로 인해 사용자의 의도가 정확히 반영되지 않는다는 문제점을 지적합니다. 이를 해결하기 위해, 확률 회로(PCs)라는 추론 가능한 확률 모델을 이용한 새로운 BO 접근 방식을 제시합니다. PCs는 혼합형 하이퍼파라미터 공간과 평가 점수에 대한 추론 가능한 결합 분포를 인코딩하여 정확한 조건부 추론과 샘플링을 가능하게 합니다. 조건부 샘플링을 기반으로, 획득 함수 없이 후보 점을 생성하는 새로운 선택 정책을 제시하며, 이를 통해 내부 루프 최적화가 필요 없고 사용자의 믿음이 선택 정책에 정확하게 반영됩니다. 이론적 분석과 광범위한 실험적 평가를 통해 제안된 방법이 표준 HPO에서 최첨단 성능을 달성하고, 상호작용적 HPO에서 기존 상호작용적 BO 기준 모델보다 우수한 성능을 보임을 보여줍니다.

시사점, 한계점

시사점:
획득 함수 없이도 사용자 피드백을 정확하게 반영하는 새로운 상호작용적 HPO 방법 제시
확률 회로(PCs)를 이용하여 복잡한 하이퍼파라미터 공간에서 효율적인 최적화 가능
표준 HPO와 상호작용적 HPO 모두에서 기존 방법 대비 우수한 성능 입증
내부 루프 최적화 과정 제거로 계산 효율성 향상
한계점:
확률 회로의 모델링 및 학습 과정에 대한 추가적인 연구 필요
다양한 종류의 사용자 피드백에 대한 적용성 검증 필요
실제 응용 분야에 대한 추가적인 실험 및 검증 필요
👍