Fernández Pena, Anselmo Tomás, Wulff, Eric Gustaf Ted, Universidade de Santiago de Compostela. Departamento de Electrónica e Computación, García Amboage, Juan Pablo, Fernández Pena, Anselmo Tomás, Wulff, Eric Gustaf Ted, Universidade de Santiago de Compostela. Departamento de Electrónica e Computación, and García Amboage, Juan Pablo
Este trabajo estudia el uso de predictores de rendimiento con el objetivo de acelerar la optimización de hiperparámetros de modelos de aprendizaje profundo. Más concretamente, se muestra cómo la regresión de vectores de soporte, tanto en su versión clásica como cuántica, es un modelo con buena capacidad para predecir el rendimiento de la red neuronal para reconstrucción de flujo de partículas MLPF. Además, se introduce un nuevo algoritmo para optimización de hiperpar ámetros, denominado Swift-Hyperband, que permite hacer uso de predictores de rendimiento, tanto clásicos como cuánticos, para acelerar la optimización de hiperparámetros. En las pruebas realizadas, tanto para MLPF como para otros modelos objetivo de distintos dominios, Swift-Hyperband demostró una capacidad de optimización similar, o incluso superior, a la de los algoritmos existentes cómo Hyperband y Fast-Hyperband a costa de un menor consumo de recursos computacionales.