标签
FLARE MCMC是一种新颖的多保真度方法，通过使用层自适应递归提案和低保真度似然近似来增强马尔可夫链蒙特卡洛采样，在水文学和宇宙学等应用中显示出更高的效率。
本文探讨了多保真贝叶斯优化问题，其中最高保真函数因代价过高而无法纳入优化循环，并提出了结合历史高保真数据与任务描述符的方法。该方法在合成函数、化学以及超参数优化任务上得到了验证。
本文介绍了一种用于量子化学的自适应即时多保真度机器学习算法，该算法能够自主确定不同保真度下的训练数据组成，与单保真度方法相比，数据生成成本降低高达30倍，与标准多保真度方法相比降低高达5倍。
本文提出了2FFS，一种双保真度树搜索算法，该算法在随机极小极大树中自适应地平衡廉价但有偏差的评估与昂贵但准确的评估，用于固定置信度的最优动作识别，具有理论保证和实验效率提升。
本文介绍了 AutoLLMResearch，这是一个智能体框架，旨在通过在低保真环境中学习并外推至高成本设置，实现昂贵的大型语言模型（LLM）实验配置的自动化。其目标是减少可扩展 LLM 研究中的计算浪费以及对专家直觉的依赖。