第360章 觉得这个思路非常新颖（1/2）

请关闭浏览器的阅读/畅读/小说模式并且关闭广告屏蔽过滤功能，避免出现内容无法显示或者段落错乱。

他在心里重新评估了一遍林晓的技术水平。

这个学生对算法设计的边界条件有清晰的判断。

他知道什么规模的数据适合什么深度的网络，知道参数空间的大小决定了优化策略的选择。

并且知道当前方案的局限在哪里以及下一步可能需要换什么方向。

这种判断力在具体研究中极为难得，绝不是看几篇论文就能学会的。

这绝对是真正动手做过项目、踩过坑、然后从坑里爬出来之后才有的东西。

接着课件翻到第六页。

屏幕上出线一张贝叶斯优化的收敛曲线。

“目标函数定义为三个指标的加权和：分类一致性、信噪比增益、以及拼接对齐误差。”

“贝叶斯优化在这个三维空间中搜索了大约两百组参数组合，最终收敛到一组最优值。”

“这个过程不需要人工介入，优化器自己会根据前一轮的结果调整下一轮的采样位置。”

斯通布雷克把笔放下来，身体微微前倾了一些。

这下，他是真有些欣赏起这个学生来了。

因为，这里的选择是有门道的。

之所以选贝叶斯优化而不是网格搜索或者随机搜索。

因为参数空间维度不高但评估成本高。

贝叶斯优化在样本效率上有优势。

一般的研究生能把课题完整做下来不出错，就已经烧高香了。

这家伙居然还能考虑到这个细节。

当然，这个细节也只有坐在第一排的教授们才能体会到。

换做后面的研究生，能听懂就已经算很不错了。

林晓翻到最后一页，屏幕上是一组对比结果。

“我在三组独立数据集上做了验证。”

“第一组是已知结构的糖纤维样品，用来测试分类准确性。”

“第二组是不同分辨率下的模拟数据，用来测试质量评估网络的鲁棒性。”

“第三组是真实冷冻电镜数据，用来验证整套流程在实际场景中的表现。”

“三组数据的结果都显示，这套方法在局部质量评估和构象分类上的表现优于现有的通用工具。”

说到这里，整个PPT的内容也就放映完毕。

他合上PPT：“我的报告到这里。谢谢大家。”

提问环节开始。

这场学术交流实际上是斯通布雷克牵头的。

所以他也没有站起来，只是把话筒拿在手里，开口就问道。

“你在贝叶斯优化的采集函数选择上。”

“用的是ExectedIrovent还是UerfidenceBound？”

“如果是EI，你是怎么处理它在高维参数空间中容易陷入局部最优的问题的？”

林晓毫不犹豫：“用的是EI，但我在采集函数里加了一个自适应扰动项。”

“这个思路参考了今年三月发表在JMLR上的那篇《AdativeAcquisitionFunsfh-DinsionalBayesianOtiization》。”

“他们在第四节的定理2里证明了在采集函数中加入基于梯度的扰动项可以显著降低局部最优的收敛概率。”

“我觉得这个思路非常新颖，同时也启发了我。”

林晓顺口称赞了一句，然后继续说道。

“于是我把他们的扰动项，从连续空间迁移到了我的三维参数空间。”

“具体做法是对每一轮EI的候选点计算局部梯度模长。”

“如果模长低于阈值，就按一个预设的缩放系数注入随机扰动。”

本章未完，点击下一页继续阅读。