論文の概要: ArcText: A Unified Text Approach to Describing Convolutional Neural Network Architectures

• arxiv url: http://arxiv.org/abs/2002.10233v4
• Date: Fri, 29 May 2020 08:43:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-31 18:27:54.552706
• Title: ArcText: A Unified Text Approach to Describing Convolutional Neural Network Architectures
• Title（参考訳）: arctext:畳み込みニューラルネットワークアーキテクチャを記述するための統一テキストアプローチ
• Authors: Yanan Sun, Ziyao Ren, Gary G. Yen, Bing Xue, Mengjie Zhang and Jiancheng Lv
• Abstract要約: テキストに基づくCNNアーキテクチャを記述するために,ArcTextという統一的なアプローチを提案する。 4つの異なるユニットと注文方法がArcTextで精巧に設計され、同じアーキテクチャを十分な情報で一意に記述している。
• 参考スコア（独自算出の注目度）: 19.128437369678128
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The superiority of Convolutional Neural Networks (CNNs) largely relies on their architectures that are often manually crafted with extensive human expertise. Unfortunately, such kind of domain knowledge is not necessarily owned by each of the users interested. Data mining on existing CNN can discover useful patterns and fundamental sub-comments from their architectures, providing researchers with strong prior knowledge to design proper CNN architectures when they have no expertise in CNNs. There have been various state-of-the-art data mining algorithms at hand, while there is only rare work that has been done for the mining. One of the main reasons is the gap between CNN architectures and data mining algorithms. Specifically, the current CNN architecture descriptions cannot be exactly vectorized to the input of data mining algorithms. In this paper, we propose a unified approach, named ArcText, to describing CNN architectures based on text. Particularly, four different units and an ordering method have been elaborately designed in ArcText, to uniquely describe the same architecture with sufficient information. Also, the resulted description can be exactly converted back to the corresponding CNN architecture. ArcText bridges the gap between CNN architectures and data mining researchers, and has the potentiality to be utilized to wider scenarios.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)の優位性は主に、広範囲な人間の専門知識で手作業で構築されるアーキテクチャに依存している。 残念なことに、このようなドメイン知識は、関心のある各ユーザが所有するとは限らない。 既存のCNNのデータマイニングは、そのアーキテクチャから有用なパターンや基本的なサブコンポーネントを見つけることができ、CNNの専門知識がなければ、適切なCNNアーキテクチャを設計するための十分な事前知識を提供する。 現在、様々な最先端のデータマイニングアルゴリズムが存在しているが、このマイニングには稀な作業しか行われていない。 主な理由の1つは、CNNアーキテクチャとデータマイニングアルゴリズムのギャップである。 具体的には、現在のCNNアーキテクチャ記述をデータマイニングアルゴリズムの入力に正確にベクトル化することはできない。 本稿では,テキストに基づくCNNアーキテクチャを記述するために,ArcTextという統一的なアプローチを提案する。 特に、4つの異なるユニットと注文方法がArcTextで精巧に設計され、同じアーキテクチャを十分な情報で一意に記述している。 また、得られた記述は対応するCNNアーキテクチャに正確に変換することができる。 ArcTextはCNNアーキテクチャとデータマイニング研究者のギャップを埋め、より広いシナリオに活用する可能性を持っている。

関連論文リスト

• Revealing CNN Architectures via Side-Channel Analysis in Dataflow-based Inference Accelerators [3.517233208696287]
  CNNモデルのアーキテクチャは、プライバシとセキュリティにとって重要だ。 データフローベースのCNNアクセラレータの最近の進歩により、リソース制約エッジデバイスでのCNN推論が可能になった。 本稿では、メモリベースのサイドチャネル情報を評価し、データフローベースのCNN推論アクセラレーターからCNNアーキテクチャを復元する。
  論文  参考訳（メタデータ） (2023-11-01T15:23:04Z)
• What Can Be Learnt With Wide Convolutional Neural Networks? [69.55323565255631]
  カーネルシステムにおける無限大の深層CNNについて検討する。 我々は,深部CNNが対象関数の空間スケールに適応していることを証明する。 我々は、別の深部CNNの出力に基づいて訓練された深部CNNの一般化誤差を計算して結論付ける。
  論文  参考訳（メタデータ） (2022-08-01T17:19:32Z)
• Network Graph Based Neural Architecture Search [57.78724765340237]
  我々は、対応するグラフを書き換えてニューラルネットワークを探索し、グラフ特性によるアーキテクチャ性能の予測を行う。 グラフ空間全体にわたって機械学習を行わないため、探索プロセスは極めて効率的である。
  論文  参考訳（メタデータ） (2021-12-15T00:12:03Z)
• An Acceleration Method Based on Deep Learning and Multilinear Feature Space [0.0]
  本稿では,大規模CNNアーキテクチャからの学習を伝達するために,Multilinear Feature Space (MFS)法に基づく代替手法を提案する。 提案手法はCNNを用いて特徴マップを生成するが,複雑性低減手法として機能しない。 AMFCと呼ばれる本手法では,事前学習したCNNからの移動学習を用いて,新しいサンプル画像の分類時間を最小限に抑える。
  論文  参考訳（メタデータ） (2021-10-16T23:49:12Z)
• Neural Architecture Dilation for Adversarial Robustness [56.18555072877193]
  畳み込みニューラルネットワークの欠点は、敵の攻撃に弱いことである。 本稿では, 良好な精度を有する背骨CNNの対角的堅牢性を向上させることを目的とする。 最小限の計算オーバーヘッドの下では、拡張アーキテクチャはバックボーンCNNの標準的な性能と親和性が期待できる。
  論文  参考訳（メタデータ） (2021-08-16T03:58:00Z)
• Receptive Field Regularization Techniques for Audio Classification and Tagging with Deep Convolutional Neural Networks [7.9495796547433395]
  CNNの受容場(RF)のチューニングは,その一般化に不可欠であることを示す。 我々は,CNNのRFを制御し,結果のアーキテクチャを体系的にテストする,いくつかの系統的なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-26T08:36:29Z)
• Rethinking Graph Neural Network Search from Message-passing [120.62373472087651]
  本稿では,新しい検索空間を設計したグラフニューラルアーキテクチャサーチ(GNAS)を提案する。 グラフニューラルアーキテクチャパラダイム(GAP:Graph Neural Architecture Paradigm)をツリートポロジー計算手順と2種類の微粒原子操作で設計します。 実験では、GNASは複数のメッセージ通過機構と最適なメッセージ通過深さを持つより良いGNNを探索できることを示しています。
  論文  参考訳（メタデータ） (2021-03-26T06:10:41Z)
• The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
  本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。 本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
  論文  参考訳（メタデータ） (2021-01-29T07:46:39Z)
• A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
  我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。 アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2020-05-14T09:02:33Z)
• Hybrid Tiled Convolutional Neural Networks for Text Sentiment Classification [3.0204693431381515]
  階層型畳み込みニューラルネットワーク(CNN)のアーキテクチャを調整し、感情分析のための健全な特徴の抽出を改善する。 NLP分野におけるタイル付きCNNの大きな欠点は、その柔軟性のないフィルタ構造であることを認識し、我々はハイブリッドタイル付きCNNと呼ばれる新しいアーキテクチャを提案する。 IMDBの映画レビューとSemEval 2017のデータセットの実験は、ハイブリッドタイルCNNの効率を実証している。
  論文  参考訳（メタデータ） (2020-01-31T14:08:15Z)
• Convolution Neural Network Architecture Learning for Remote Sensing Scene Classification [22.29957803992306]
  本稿では,リモートセンシングシーン分類のためのアーキテクチャ学習手法を提案する。 本稿では,勾配降下法を用いてアーキテクチャ空間の効率的な探索を可能にする学習戦略を提案する。 アーキテクチャジェネレータは、最終的にパラメータのセットを実験で使用されるCNNにマッピングします。
  論文  参考訳（メタデータ） (2020-01-27T07:42:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。