論文の概要: RandomNet: Towards Fully Automatic Neural Architecture Design for Multimodal Learning

• arxiv url: http://arxiv.org/abs/2003.01181v1
• Date: Mon, 2 Mar 2020 20:41:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 04:04:24.270123
• Title: RandomNet: Towards Fully Automatic Neural Architecture Design for Multimodal Learning
• Title（参考訳）: randomnet: マルチモーダル学習のための完全自動ニューラルアーキテクチャ設計に向けて
• Authors: Stefano Alletto, Shenyang Huang, Vincent Francois-Lavet, Yohei Nakata and Guillaume Rabusseau
• Abstract要約: 完全自動マルチモーダルニューラルアーキテクチャ探索におけるランダム探索手法の有効性について検討する。 提案手法は,手作業による特徴抽出に頼っている従来の手法と比較して,人間の監督を最小限に抑えた大規模検索空間から各モダリティを選択する。
• 参考スコア（独自算出の注目度）: 7.5352209570833555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Almost all neural architecture search methods are evaluated in terms of performance (i.e. test accuracy) of the model structures that it finds. Should it be the only metric for a good autoML approach? To examine aspects beyond performance, we propose a set of criteria aimed at evaluating the core of autoML problem: the amount of human intervention required to deploy these methods into real world scenarios. Based on our proposed evaluation checklist, we study the effectiveness of a random search strategy for fully automated multimodal neural architecture search. Compared to traditional methods that rely on manually crafted feature extractors, our method selects each modality from a large search space with minimal human supervision. We show that our proposed random search strategy performs close to the state of the art on the AV-MNIST dataset while meeting the desirable characteristics for a fully automated design process.
• Abstract（参考訳）: ほぼ全てのニューラルアーキテクチャ探索法は、それが発見したモデル構造のパフォーマンス(すなわちテスト精度)の観点から評価される。 優れたAutoMLアプローチのための唯一の指標になるべきだろうか? そこで本稿では,AutoML問題の中核である,これらの手法を現実のシナリオに展開するために必要な人的介入の量を評価するための,一連の基準を提案する。 提案する評価チェックリストに基づいて,完全自動マルチモーダルニューラルネットワーク探索におけるランダム探索戦略の有効性について検討する。 従来の手作業による特徴抽出手法と比較すると,提案手法は人間の監督を最小限に抑えながら,大きな探索空間から各モダリティを選択する。 提案するランダム探索戦略がav-mnistデータセットの最先端に近く,完全に自動化された設計プロセスにおいて望ましい特性を満たしながら実現可能であることを示す。

関連論文リスト

• Fully Automated Correlated Time Series Forecasting in Minutes [31.198713853170375]
  本稿では,完全に自動化された高効率な時系列予測フレームワークを提案する。 これには、データ駆動の反復戦略が含まれており、大きな検索スペースを自動でプーンし、新しい予測タスクのための高品質な検索スペースを得る。 7つのベンチマークデータセットの実験は、このフレームワークが最先端の精度を持ち、既存の方法よりもはるかに効率的であることを示す。
  論文  参考訳（メタデータ） (2024-11-06T09:02:13Z)
• A Comprehensive Comparative Study of Individual ML Models and Ensemble Strategies for Network Intrusion Detection Systems [1.1587112467663427]
  本稿では,ネットワーク侵入検知タスクにおける個々のモデルとアンサンブル手法を評価するためのアンサンブル学習フレームワークを提案する。 本フレームワークは,入力データセットのロード,個々のモデルとアンサンブル手法のトレーニング,評価指標の生成を含む。
  論文  参考訳（メタデータ） (2024-10-21T02:44:58Z)
• AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML [56.565200973244146]
  自動機械学習(Automated Machine Learning, ML)は、開発パイプライン内のタスクを自動化することによって、AI開発を加速する。 近年の作業では,そのような負担を軽減するために,大規模言語モデル(LLM)の利用が始まっている。 本稿では,フルパイプのAutoMLに適した新しいマルチエージェントフレームワークであるAutoML-Agentを提案する。
  論文  参考訳（メタデータ） (2024-10-03T20:01:09Z)
• A Pairwise Comparison Relation-assisted Multi-objective Evolutionary Neural Architecture Search Method with Multi-population Mechanism [58.855741970337675]
  ニューラルアーキテクチャサーチ(NAS)により、リサーチ者は広大なサーチスペースを自動的に探索し、効率的なニューラルネットワークを見つけることができる。 NASは重要なボトルネックに悩まされており、探索プロセス中に多くのアーキテクチャを評価する必要がある。 SMEM-NASは,多集団構造に基づく多目的進化アルゴリズムである。
  論文  参考訳（メタデータ） (2024-07-22T12:46:22Z)
• AutoXPCR: Automated Multi-Objective Model Selection for Time Series Forecasting [1.0515439489916734]
  本稿では,自動的かつ説明可能な多目的モデル選択のための新しい手法であるAutoXPCRを提案する。 我々の手法はメタラーニングを利用して、(P)予測誤差、(C)ミスプレキシティ、(R)ソース要求を含むPCR基準に沿ったモデルの性能を推定する。 我々の手法は、他のモデル選択手法よりも明らかに優れている。平均すると、最高の品質の90%のモデルに推奨する計算コストの20%しか必要としない。
  論文  参考訳（メタデータ） (2023-12-20T14:04:57Z)
• Maximize to Explore: One Objective Function Fusing Estimation, Planning, and Exploration [87.53543137162488]
  我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。 textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。 様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:25:26Z)
• AutoTransfer: AutoML with Knowledge Transfer -- An Application to Graph Neural Networks [75.11008617118908]
  AutoML技術は、各タスクをスクラッチから独立して考慮し、高い計算コストをもたらす。 本稿では,従来の設計知識を新たな関心事に伝達することで,検索効率を向上させるAutoTransferを提案する。
  論文  参考訳（メタデータ） (2023-03-14T07:23:16Z)
• AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning [72.99415402575886]
  外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。 本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。 さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-06-19T18:57:51Z)
• Deep-n-Cheap: An Automated Search Framework for Low Complexity Deep Learning [3.479254848034425]
  私たちはディープラーニングモデルを探すためのオープンソースのAutoMLフレームワークであるDeep-n-Cheapを紹介します。 私たちのフレームワークは、ベンチマークとカスタムデータセットの両方へのデプロイをターゲットとしています。 Deep-n-Cheapには、トレーニング時間やパラメータ数とパフォーマンスをトレードオフする、ユーザ管理可能な複雑性ペナルティが含まれている。
  論文  参考訳（メタデータ） (2020-03-27T13:00:21Z)
• CONSAC: Robust Multi-Model Fitting by Conditional Sample Consensus [62.86856923633923]
  我々は,同じ形状の複数のパラメトリックモデルを雑音測定に適合させる頑健な推定器を提案する。 複数のモデル検出のための手作り検索戦略を利用する従来の研究とは対照的に,データから検索戦略を学習する。 探索の自己教師付き学習において,提案したアルゴリズムをマルチホログラフィー推定で評価し,最先端手法よりも優れた精度を示す。
  論文  参考訳（メタデータ） (2020-01-08T17:37:01Z)

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。