| Russian | English |
| алгоритм оптимизации "Адам" | Adam optimizer (an algorithm for first-order gradient-based optimization of stochastic objective functions, based on adaptive estimates of lower-order moments, intended to train artificial neural networks  arxiv.org Alex_Odeychuk) |
| алгоритм оптимизации подражанием муравьиной колонии | ant colony optimization (Alex_Odeychuk) |
| задача многокритериальной оптимизации | multi-objective optimization problem (Alex_Odeychuk) |
| метод стохастической оптимизации | method for stochastic optimization (Alex_Odeychuk) |
| модуль оптимизации планов | plan optimization module (интеллектуальных агентов Alex_Odeychuk) |
| оптимизация в ограничениях | constraint optimization (Alex_Odeychuk) |
| оптимизация методом квантового роя частиц | quantum-inspired particle swarm optimization (Alex_Odeychuk) |
| оптимизация нулевого порядка | zeroth-order optimization (Alex_Odeychuk) |
| оптимизация нулевого порядка на основе автокодировщика | autoencoder-based zeroth-order optimization (Alex_Odeychuk) |
| оптимизация подражанием бактериальной колонии | BCO (сокр. от "bacterial colony optimization" Alex_Odeychuk) |
| оптимизация подражанием бактериальной колонии | bacterial colony optimization (Alex_Odeychuk) |
| оптимизация подражанием муравьиной колонии | ACO (сокр. от "ant colony optimization" Alex_Odeychuk) |
| оптимизация управляющих воздействий | control optimization (из кн.: Бровкова М.Б. Системы искусственного интеллекта в машиностроении Alex_Odeychuk) |
| распределённая оптимизация в ограничениях | distributed constraint optimization (Alex_Odeychuk) |
| стохастическая градиентная оптимизация | stochastic gradient optimization (Исследования показали, что гиперпараметризация, или реализация нейронных сетей с числом параметров, превышающим количество доступных точек обучающих данных, приносит значительные преимущества. Методы стохастической градиентной оптимизации предотвращают переобучение нейронных сетей благодаря регуляризующему эффекту, который достигается за счёт ранней остановки, которая позволяет нейронным сетям переходить в режим интерполяции, когда обучающие данные подходят почти точно, при этом сохраняя адекватные прогнозы по промежуточным точкам. Примером крупномасштабной сети с гиперпараметризацией является одна из передовых систем распознавания образов – NoisyStudent, которая имеет 480 млн параметров для 1,2 млн точек данных ImageNet. — Research indicates that hyperparameterization — implementing neural networks with more parameters than the available training data points — offers substantial advantages. Stochastic gradient optimization techniques counteract overlearning by leveraging the regularizing power of early stopping, switching neural networks into an interpolation mode, where they align closely with the training data, yet still produce reliable predictions for intermediate values. A prime example of this is the state-of-the-art image recognition system, NoisyStudent, which boasts 480 million parameters, fine-tuned using just 1.2 million ImageNet data points. Alex_Odeychuk) |
