スイープについてさらに詳しく学ぶ

Sweeps に関する有用な情報源のコレクション。

​

学術論文

Li, Lisha, et al. “Hyperband: A novel bandit-based approach to hyperparameter optimization.” The Journal of Machine Learning Research 18.1 (2017): 6765-6816.

​

Sweep Experiments

以下の W&B Reports は、W&B Sweeps を使ってハイパーパラメータ最適化を行っているプロジェクトの例を示します。

• Drought Watch Benchmark Progress
  • 説明: Drought Watch ベンチマークのベースラインを構築し、ベンチマークへの投稿を探索します。
• Tuning Safety Penalties in Reinforcement Learning
  • 説明: 3 つの異なるタスク（パターン生成、パターン削除、ナビゲーション）において、副作用ペナルティを変えて学習したエージェントを比較します。
• Meaning and Noise in Hyperparameter Search with W&B Stacey Svetlichnaya
  • 説明: どのようにして実際のシグナルとパレイドリア（想像上のパターン）を見分ければよいのでしょうか？この記事では W&B を使って何ができるかを紹介し、さらなる探索を促すことを目的としています。
• Who is Them? Text Disambiguation with Transformers
  • 説明: Hugging Face を用いて自然言語理解向けのモデルを探索します。
• DeepChem: Molecular Solubility
  • 説明: ランダムフォレストとディープネットワークを使って、分子構造から化学的性質を予測します。
• Intro to MLOps: Hyperparameter Tuning
  • 説明: なぜハイパーパラメータ最適化が重要なのかを説明し、機械学習モデルのハイパーパラメータチューニングを自動化する 3 つのアルゴリズムを紹介します。

​

セルフマネージド

次のハウツーガイドでは、W&B を使用して実際の課題を解決する方法を紹介します。

• Sweeps with XGBoost
  • 説明: XGBoost を用いたハイパーパラメータチューニングに W&B Sweeps を活用する方法。

​

Sweep GitHub リポジトリ

W&B はオープンソース活動を推進しており、コミュニティからの貢献を歓迎しています。W&B Sweeps GitHub リポジトリを参照してください。W&B のオープンソースリポジトリへの貢献方法については、W&B GitHub の貢献ガイドラインを参照してください。