Hyperparameter optimization using agents for large scale machine learning
Carregant...
El pots comprar en digital a:
El pots comprar en paper a:
Títol de la revista
ISSN de la revista
Títol del volum
Col·laborador
Editor
Tribunal avaluador
Realitzat a/amb
Càtedra / Departament / Institut
Tipus de document
Text en actes de congrés
Data publicació
Editor
Barcelona Supercomputing Center
Part de
Condicions d'accés
Accés obert
item.page.rightslicense
Aquesta obra està protegida pels drets de propietat intel·lectual i industrial corresponents. Llevat que s'hi indiqui el contrari, els seus continguts estan subjectes a la llicència de Creative Commons: Reconeixement-NoComercial-SenseObraDerivada 4.0 Internacional
Datasets relacionats
Projecte CCD
Abstract
Machine learning (ML) has become an essential tool for humans to get rational predictions in different aspects of their lives. Hyperparameter algorithms are a tool for creating better ML models. The hyperparameter algorithms are an iterative execution of trial sets. Usually, the trials tend to have a different execution time. In this paper we are optimizing the grid and random search with cross-validation from the Dislib [1] an ML library for distributed computing built on top of PyCOMPSs[2] programming model, inspired by the Maggy [3], an open-source framework based on Spark. This optimization will use agents and avoid the trials to wait for each other, achieving a speed-up of over x2.5 compared to the previous implementation.
Descripció
Document relacionat
Citació
Vergés Boncompte, P.; Vlassov, V.; Badia, R.M. Hyperparameter optimization using agents for large scale machine learning. A: . Barcelona Supercomputing Center, 2022, p. 95-96.