Copertina

On the Hyperparameter Loss Landscapes of Machine Learning Models: An Exploratory Study

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Huang, Mingyu, Li, Ke
Natura:	Preprint
Pubblicazione:	2023
Soggetti:	Machine Learning
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Augmenting Biological Fitness Prediction Benchmarks with Landscapes Features from GraphFLA
di: Huang, Mingyu, et al.
Pubblicazione: (2025)

Hyperparameter Optimization in Machine Learning
di: Franceschi, Luca, et al.
Pubblicazione: (2024)

Rethinking Performance Analysis for Configurable Software Systems: A Case Study from a Fitness Landscape Perspective
di: Huang, Mingyu, et al.
Pubblicazione: (2024)

LossLens: Diagnostics for Machine Learning through Loss Landscape Visual Analytics
di: Xie, Tiankai, et al.
Pubblicazione: (2024)

Conversational Exploration of Literature Landscape with LitChat
di: Huang, Mingyu, et al.
Pubblicazione: (2025)

AutoRL Hyperparameter Landscapes
di: Mohan, Aditya, et al.
Pubblicazione: (2023)

Multi-Objective Hyperparameter Optimization in Machine Learning -- An Overview
di: Karl, Florian, et al.
Pubblicazione: (2022)

Hyperparameter Tuning for Causal Inference with Double Machine Learning: A Simulation Study
di: Bach, Philipp, et al.
Pubblicazione: (2024)

Hyperparameter Loss Surfaces Are Simple Near their Optima
di: Lourie, Nicholas, et al.
Pubblicazione: (2025)

Unveiling the Basin-Like Loss Landscape in Large Language Models
di: Chen, Huanran, et al.
Pubblicazione: (2025)

Manifold Metric: A Loss Landscape Approach for Predicting Model Performance
di: Malviya, Pranshu, et al.
Pubblicazione: (2024)

Efficient Sketches for Training Data Attribution and Studying the Loss Landscape
di: Schioppa, Andrea
Pubblicazione: (2024)

Hyperparameter Selection in Continual Learning
di: Lee, Thomas L., et al.
Pubblicazione: (2024)

Exploratory Machine Learning with Unknown Unknowns
di: Zhao, Peng, et al.
Pubblicazione: (2020)

Sensitivity Analysis On Loss Landscape
di: Faroz, Salman
Pubblicazione: (2024)

Bayesian Optimization for Simultaneous Selection of Machine Learning Algorithms and Hyperparameters on Shared Latent Space
di: Ishikawa, Kazuki, et al.
Pubblicazione: (2025)

Flat-LoRA: Low-Rank Adaptation over a Flat Loss Landscape
di: Li, Tao, et al.
Pubblicazione: (2024)

A Comparative Study of Hyperparameter Tuning Methods
di: Dasgupta, Subhasis, et al.
Pubblicazione: (2024)

Visualizing, Rethinking, and Mining the Loss Landscape of Deep Neural Networks
di: Xu, Yichu, et al.
Pubblicazione: (2024)

Default Machine Learning Hyperparameters Do Not Provide Informative Initialization for Bayesian Optimization
di: Prieto, Nicolás Villagrán, et al.
Pubblicazione: (2026)

Hyper: Hyperparameter Robust Efficient Exploration in Reinforcement Learning
di: Wang, Yiran, et al.
Pubblicazione: (2024)

Loss Landscape Analysis for Reliable Quantized ML Models for Scientific Sensing
di: Baldi, Tommaso, et al.
Pubblicazione: (2025)

There is a Singularity in the Loss Landscape
di: Lowell, Mark
Pubblicazione: (2022)

Model Merging on Loss Landscape: A Geometry Perspective
di: Lu, Juanwu, et al.
Pubblicazione: (2026)

Revisiting Deep Ensemble for Out-of-Distribution Detection: A Loss Landscape Perspective
di: Fang, Kun, et al.
Pubblicazione: (2023)

Scalable Hyperparameter-Divergent Ensemble Training with Automatic Learning Rate Exploration for Large Models
di: Cheng, Hailing, et al.
Pubblicazione: (2026)

Adaptive Hyperparameter Optimization for Continual Learning Scenarios
di: Semola, Rudy, et al.
Pubblicazione: (2024)

A Loss Landscape Visualization Framework for Interpreting Reinforcement Learning: An ADHDP Case Study
di: Liu, Jingyi, et al.
Pubblicazione: (2026)

Paths and Ambient Spaces in Neural Loss Landscapes
di: Dold, Daniel, et al.
Pubblicazione: (2025)

Using Degeneracy in the Loss Landscape for Mechanistic Interpretability
di: Bushnaq, Lucius, et al.
Pubblicazione: (2024)

Procedural Fairness in Machine Learning
di: Wang, Ziming, et al.
Pubblicazione: (2024)

Review of Interpretable Machine Learning Models for Disease Prognosis
di: Shen, Jinzhi, et al.
Pubblicazione: (2024)

Optimizing the Landscape of LLM Embeddings with Dynamic Exploratory Graph Analysis for Generative Psychometrics: A Monte Carlo Study
di: Golino, Hudson
Pubblicazione: (2026)

Tuning Algorithmic and Architectural Hyperparameters in Graph-Based Semi-Supervised Learning with Provable Guarantees
di: Du, Ally Yalei, et al.
Pubblicazione: (2025)

Modeling of Core Loss Based on Machine Learning and Deep Learning
di: He, Junqi, et al.
Pubblicazione: (2025)

BTTackler: A Diagnosis-based Framework for Efficient Deep Learning Hyperparameter Optimization
di: Pei, Zhongyi, et al.
Pubblicazione: (2026)

Neural Exploratory Landscape Analysis for Meta-Black-Box-Optimization
di: Ma, Zeyuan, et al.
Pubblicazione: (2024)

Gradient Descent as Loss Landscape Navigation: a Normative Framework for Deriving Learning Rules
di: Vastola, John J., et al.
Pubblicazione: (2025)

On Optimal Hyperparameters for Differentially Private Deep Transfer Learning
di: Rehn, Aki, et al.
Pubblicazione: (2025)

Meta-Learning Hyperparameters for Parameter Efficient Fine-Tuning
di: Tian, Zichen, et al.
Pubblicazione: (2026)