論文の概要: Evolutionary Algorithm Enhanced Neural Architecture Search for Text-Independent Speaker Verification

• arxiv url: http://arxiv.org/abs/2008.05695v1
• Date: Thu, 13 Aug 2020 05:34:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 23:03:03.154557
• Title: Evolutionary Algorithm Enhanced Neural Architecture Search for Text-Independent Speaker Verification
• Title（参考訳）: テキスト非依存話者照合のための進化的アルゴリズム強化ニューラルアーキテクチャ探索
• Authors: Xiaoyang Qu, Jianzong Wang, Jing Xiao
• Abstract要約: 我々は、テキストに依存しない話者検証タスクに対して、ニューラルアーキテクチャサーチ(NAS)のアイデアを借用する。 本稿では,Auto-Designedと呼ばれる進化的アルゴリズムを改良したニューラルアーキテクチャ探索手法を提案する。 実験の結果,NASに基づくモデルは,最先端話者検証モデルよりも優れていた。
• 参考スコア（独自算出の注目度）: 29.939687921618678
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State-of-the-art speaker verification models are based on deep learning techniques, which heavily depend on the handdesigned neural architectures from experts or engineers. We borrow the idea of neural architecture search(NAS) for the textindependent speaker verification task. As NAS can learn deep network structures automatically, we introduce the NAS conception into the well-known x-vector network. Furthermore, this paper proposes an evolutionary algorithm enhanced neural architecture search method called Auto-Vector to automatically discover promising networks for the speaker verification task. The experimental results demonstrate our NAS-based model outperforms state-of-the-art speaker verification models.
• Abstract（参考訳）: 最先端の話者検証モデルは、専門家やエンジニアによる手作りのニューラルネットワークアーキテクチャに大きく依存するディープラーニング技術に基づいている。 我々は、テキストに依存しない話者検証タスクに対して、ニューラルアーキテクチャサーチ(NAS)のアイデアを借用する。 NASはネットワーク構造を自動的に学習するので、よく知られたxベクトルネットワークにNASの概念を導入する。 さらに,話者照合タスクに有望なネットワークを自動的に発見するための進化的アルゴリズム拡張型ニューラルネットワーク探索法であるauto-vectorを提案する。 実験の結果,NASに基づくモデルは,最先端話者検証モデルよりも優れていた。

関連論文リスト

• Evolution and Efficiency in Neural Architecture Search: Bridging the Gap Between Expert Design and Automated Optimization [1.7385545432331702]
  本稿では,ニューラルネットワーク検索の概要について概説する。 手動設計から自動化された計算駆動アプローチへの進化を強調している。 医療画像や自然言語処理など、さまざまな分野の応用を強調している。
  論文  参考訳（メタデータ） (2024-02-11T18:27:29Z)
• HiveNAS: Neural Architecture Search using Artificial Bee Colony Optimization [0.0]
  本研究では,ニューラルネットワーク探索のための人工蜂コロニー最適化の実現可能性を評価する。 提案するフレームワークであるHiveNASは、最先端のSwarm IntelligenceベースのNASフレームワークを短時間で上回ります。
  論文  参考訳（メタデータ） (2022-11-18T14:11:47Z)
• Neural Architecture Search for Speech Emotion Recognition [72.1966266171951]
  本稿では,SERモデルの自動構成にニューラルアーキテクチャサーチ(NAS)技術を適用することを提案する。 NASはモデルパラメータサイズを維持しながらSER性能(54.89%から56.28%)を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-03-31T10:16:10Z)
• Neural Architecture Search for Dense Prediction Tasks in Computer Vision [74.9839082859151]
  ディープラーニングは、ニューラルネットワークアーキテクチャエンジニアリングに対する需要の高まりにつながっている。 ニューラルネットワーク検索(NAS)は、手動ではなく、データ駆動方式でニューラルネットワークアーキテクチャを自動設計することを目的としている。 NASはコンピュータビジョンの幅広い問題に適用されている。
  論文  参考訳（メタデータ） (2022-02-15T08:06:50Z)
• Efficient Neural Architecture Search with Performance Prediction [0.0]
  ニューラルアーキテクチャ検索を使用して、目前にあるタスクに最適なネットワークアーキテクチャを見つけます。 既存のNASアルゴリズムは、スクラッチから完全にトレーニングすることで、新しいアーキテクチャの適合性を評価する。 サンプルアーキテクチャの評価を高速化するために,エンドツーエンドのオフライン性能予測器を提案する。
  論文  参考訳（メタデータ） (2021-08-04T05:44:16Z)
• MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
  我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。 我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。 我々は精度-速度トレードオフの観点から最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-09-29T11:56:01Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)
• NAS-Bench-NLP: Neural Architecture Search Benchmark for Natural Language Processing [12.02718579660613]
  我々は自然言語処理(NLP)の中核である言語モデリングタスクを活用することで、コンピュータビジョン領域の外部へ踏み出す。 テキストデータセット上にリカレントニューラルネットワークの検索スペースを提供し、その内部に14kのアーキテクチャをトレーニングしました。 我々は,意味的関連性および言語理解評価のためのデータセットを用いて,訓練されたモデルの内在的および外在的評価を行った。
  論文  参考訳（メタデータ） (2020-06-12T12:19:06Z)
• 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)
• AutoSpeech: Neural Architecture Search for Speaker Recognition [108.69505815793028]
  本稿では,AutoSpeech という名称の話者認識タスクに対して,最初のニューラルアーキテクチャ探索アプローチを提案する。 提案アルゴリズムはまず,ニューラルネットワークの最適操作の組み合わせを特定し,その後,複数回重ねてCNNモデルを導出する。 得られたCNNアーキテクチャは,モデル複雑性を低減しつつ,VGG-M,ResNet-18,ResNet-34のバックボーンに基づく現在の話者認識システムよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-05-07T02:53:47Z)

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。