The art and science of hyperparameter optimization on Amazon Nova Forge
针对特定领域的任务进行微调意味着在不降低模型总体能力的情况下提高某一领域的性能，而实现这种平衡比看起来更难。这篇文章将介绍如何实现这种平衡，从为数据和任务选择正确的定制策略，到配置最影响结果的训练参数，例如学习率、批量大小和检查点。我们还介绍了导致训练运行浪费的常见错误以及如何及早发现这些错误，以便您可以提高域性能，而不会降低一般功能或因可避免的故障而消耗计算资源。最后，您将了解如何在不降低一般功能的情况下提高域性能，以及如何避免因平衡错误而导致代价高昂的故障。
IEEE Transactions on Artificial Intelligence, Volume 7, Issue 6, June 2026
1) 多模态医学影像中基于人工智能的自动前列腺分割：综述作者：D. Xu, R. Jin, F. Lu, D. Li, D. Shang, L. Zhang, H. Zhou, F. Shi, W. Zhu, J. Cai, E. Gau, X. Chen, T. Peng 页数: 3034 - 30492) 网络对抗性学习的对比二元性入侵：评论作者：S. Saini、A. Chennamaneni、B. Sawyerr 页数：3050 - 30673) 神经网络正则化：方法的调查和实证分析作者：C. P. Opperman、A. S. Bosman、K. M. Malan 页数：3068 -
