Уважаемые коллеги, доброго времени суток! Представляем вам китайское научное издание Journal of Electronic Science and Technology. Журнал имеет четвёртый квартиль, издается в University of Electronic Science and Technology of China, находится в открытом доступе, его SJR за 2020 г. равен 0,132, электронный ISSN - 1674-862X, предметные области - Технология обработки сигналов, Электротехническая и электронная промышленность, Компьютерные сети и коммуникации. Вот так выглядит обложка:
Редактором является Джиминг Ванг, контактные данные - zhmwang@uestc.edu.cn, journal@uestc.edu.cn.
Это рецензируемый периодический журнал, посвященный быстрой публикации оригинальных и значительных материалов, связанных с современными достижениями в области теории, технологии, проектирования, анализа, приложений и т.д. в области электронной науки и техники, в том числе, но не ограничиваясь следующими выделенными областями:
- Информатика и технологии;
- Коммуникации и информационные технологии;
- Биоэлектроника и биомедицина;
- Энергетика, материалы и нанотехнологии;
- Энергоэффективные технологические материалы, устройства, и системы для устойчивой энергетики;
- Нейронные сети и интеллектуальные системы;
- Сети и безопасность связи;
- Квантовая технология;
- Обработки сигналов и изображений с приложениями;
- Интеллектуальная сеть и технологии возобновляемых источников энергии;
- Терагерцовая наука и техника.
Адрес издания - http://www.keaipublishing.com/en/journals/journal-of-electronic-science-and-technology/
Пример статьи, название - Hyperparameter optimization for machine learning models based on Bayesian optimization. Заголовок (Abstract) - Hyperparameters are important for machine learning algorithms since they directly control the behaviors of training algorithms and have a significant effect on the performance of machine learning models. Several techniques have been developed and successfully applied for certain application domains. However, this work demands professional knowledge and expert experience. And sometimes it has to resort to the brute-force search. Therefore, if an efficient hyperparameter optimization algorithm can be developed to optimize any given machine learning method, it will greatly improve the efficiency of machine learning. In this paper, we consider building the relationship between the performance of the machine learning models and their hyperparameters by Gaussian processes. In this way, the hyperparameter tuning problem can be abstracted as an optimization problem and Bayesian optimization is used to solve the problem. Bayesian optimization is based on the Bayesian theorem. It sets a prior over the optimization function and gathers the information from the previous sample to update the posterior of the optimization function. A utility function selects the next sample point to maximize the optimization function. Several experiments were conducted on standard test datasets. Experiment results show that the proposed method can find the best hyperparameters for the widely used machine learning models, such as the random forest algorithm and the neural networks, even multi-grained cascade forest under the consideration of time cost. Keywords: Bayesian optimization; Gaussian process; Hyperparameter optimization; Machine learning
