في عالم الذكاء الاصطناعي وتكنولوجيا البيانات، يعتبر تحسين بايزي (Bayesian Optimization) من الأدوات الفعالة لتحسين المعايير في النماذج. وعلى الرغم من أن هذه التقنية قد أثبتت فعاليتها، إلا أن معظم الطرق الحالية لتحسين بايزي للباقات (Batch Bayesian Optimization) تعاني من ضعف الكفاءة مع زيادة حجم الباقة.

لذا، نقدم لكم مقاربة مبتكرة لمعالجة هذه المشكلة. الفكرة هي سحب مجموعة من الفضاءات الفرعية المتوازية من المشكلة الأصلية، واختيار نقطة واحدة من كل فضاء باستخدام دوال الاكتساب (Acquisition Functions) الحالية. قامت التجارب العددية بإظهار أن هذه الطريقة الجديدة تعزز سرعة التقارب بشكل ملحوظ مقارنة بطريقة تحسين بايزي التسلسلية، كما أنها تؤدي أداءً تنافسياً أمام عشرة من خوارزميات تحسين بايزي للباقات.

يُمكنكم الاطلاع على تفاصيل التنفيذ لهذه الطريقة من خلال الرابط التالي: رابط التنفيذ.

فهل أنتم مستعدون لاستكشاف الخطوات القادمة في عالم الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!