09:22
官方账号arXiv cs.LG@Dário Passos
推荐理由：这篇论文告诉你，不用盲目调参：用光谱的熵、相关性等指标就能提前猜出CNN该设多大卷积核、多少学习率，省掉一堆试错时间。
NIR
共 1 条相关 AI 资讯
7月29日
09:22
论文在25个近红外回归任务上测试了光谱数据属性（熵、内在秩、小波能量支撑比等）能否为CNN设计提供经验先验。使用两种可解释1D-CNN框架，通过5折交叉验证贝叶斯超参数优化（HPO）发现：最小CNN中最佳卷积核分数随光谱熵和内在秩降低、随小波能量支撑比升高，学习率随训练集大小降低。直接和留一数据集验证的中位测试RMSE比分别为0.953和1.017，接近HPO性能。单独实验中联合预处理和CNN HPO在19/25任务上优于标准化光谱HPO。