論文の概要: A Survey on Evolutionary Neural Architecture Search

• arxiv url: http://arxiv.org/abs/2008.10937v4
• Date: Fri, 4 Feb 2022 03:45:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 03:26:36.189557
• Title: A Survey on Evolutionary Neural Architecture Search
• Title（参考訳）: 進化的ニューラルアーキテクチャ探索に関する調査
• Authors: Yuqiao Liu, Yanan Sun, Bing Xue, Mengjie Zhang, Gary G. Yen, Kay Chen Tan
• Abstract要約: ニューラルアーキテクチャサーチ(英: Neural Architecture Search、NAS)は、アーキテクチャを自動的に設計できる技術の一種である。 ECベースのNASアルゴリズムは、最近多くの注目を集め、成功した。 本稿では,最新のECベースのNAS方式の200以上の論文を,コアコンポーネントに照らしてレビューする。
• 参考スコア（独自算出の注目度）: 20.658525685384557
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep Neural Networks (DNNs) have achieved great success in many applications. The architectures of DNNs play a crucial role in their performance, which is usually manually designed with rich expertise. However, such a design process is labour intensive because of the trial-and-error process, and also not easy to realize due to the rare expertise in practice. Neural Architecture Search (NAS) is a type of technology that can design the architectures automatically. Among different methods to realize NAS, Evolutionary Computation (EC) methods have recently gained much attention and success. Unfortunately, there has not yet been a comprehensive summary of the EC-based NAS algorithms. This paper reviews over 200 papers of most recent EC-based NAS methods in light of the core components, to systematically discuss their design principles as well as justifications on the design. Furthermore, current challenges and issues are also discussed to identify future research in this emerging field.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)は多くのアプリケーションで大きな成功を収めています。 DNNのアーキテクチャはパフォーマンスにおいて重要な役割を担います。 しかし、このような設計プロセスは試行錯誤のプロセスのため労働集約的であり、実際は稀な専門知識のため容易には実現できない。 Neural Architecture Search (NAS)は、アーキテクチャを自動的に設計できる技術の一種である。 NASを実現する様々な方法の中で、進化計算法(Evolutionary Computation, EC)は近年注目を集め、成功を収めている。 残念ながら、ECベースのNASアルゴリズムの包括的な概要はまだない。 本稿では,最近のecベースのnas手法に関する200以上の論文をコアコンポーネントに照らしてレビューし,設計原理と設計の正当性について体系的に議論する。 また、この新興分野における今後の研究を見極めるため、現在の課題や課題も議論されている。

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)
• Efficient Automation of Neural Network Design: A Survey on Differentiable Neural Architecture Search [70.31239620427526]
  微分可能なニューラルネットワーク探索(DNAS)は、ディープニューラルネットワークアーキテクチャの発見を自動化するトレンドのアプローチとして、急速に自らを強制した。 この増加は主に、最初の主要なDNAS法の一つであるDARTSの人気が原因である。 本総説では,DNASに特に焦点をあて,最近のアプローチを概観する。
  論文  参考訳（メタデータ） (2023-04-11T13:15:29Z)
• Neural Architecture Search: Insights from 1000 Papers [50.27255667347091]
  ニューラルアーキテクチャサーチの組織的で包括的なガイドを提供する。 検索空間、アルゴリズム、スピードアップのテクニックを分類する。 ベンチマークやベストプラクティス,その他の調査,オープンソースライブラリなどのリソースについて論じる。
  論文  参考訳（メタデータ） (2023-01-20T18:47:24Z)
• 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)
• Neural Architecture Search in operational context: a remote sensing case-study [0.0]
  Neural Architecture Search(NAS)は、ネットワークアーキテクチャとその重みを最適化することでリスクを軽減するために導入されたフレームワークである。 本研究の目的は,衛星画像への関心対象のセマンティックセグメンテーション(セマンティックセグメンテーション)という課題に対処する能力を評価することである。
  論文  参考訳（メタデータ） (2021-09-15T08:18:12Z)
• A Comprehensive Survey on Hardware-Aware Neural Architecture Search [6.23453131728063]
  ニューラルアーキテクチャ検索(NAS)メソッドは人気が高まっています。 NASはここ数年で広範囲に研究されている。 実世界の問題にNASを適用することは依然として大きな課題であり、広く実用的ではない。 人気が高まっている1つのソリューションは、実行遅延、エネルギー消費、メモリフットプリントなどを考慮して、NAS検索戦略で多目的最適化アルゴリズムを使用することである。 ハードウェア認識NAS(HW-NAS)と呼ばれるこの種のNASは、最も効率的なアーキテクチャの検索をより複雑にし、いくつかの質問を開く。
  論文  参考訳（メタデータ） (2021-01-22T21:13:46Z)
• Weight-Sharing Neural Architecture Search: A Battle to Shrink the Optimization Gap [90.93522795555724]
  ニューラルアーキテクチャサーチ(NAS)は、学術と産業の両方で注目を集めている。 重み共有手法は、多くのアーキテクチャが同一のスーパーネットワークで重みを共有している。 本稿では,NAS,特に重み付け手法に関する文献レビューを行う。
  論文  参考訳（メタデータ） (2020-08-04T11:57:03Z)
• A Comprehensive Survey of Neural Architecture Search: Challenges and Solutions [48.76705090826339]
  ニューラルネットワーク探索(NAS)は革命的アルゴリズムであり、関連する研究は複雑でリッチである。 まず、初期のNASアルゴリズムの特徴の概要から始め、これらの初期のNASアルゴリズムの問題を要約する。 さらに,これらの研究の詳細な分析,比較,要約を行う。
  論文  参考訳（メタデータ） (2020-06-01T13:08:03Z)
• Stage-Wise Neural Architecture Search [65.03109178056937]
  ResNetやNASNetのような現代の畳み込みネットワークは、多くのコンピュータビジョンアプリケーションで最先端の結果を得た。 これらのネットワークは、同じ解像度で表現を操作するレイヤのセットであるステージで構成されている。 各ステージにおけるレイヤー数の増加はネットワークの予測能力を向上させることが示されている。 しかし、結果として得られるアーキテクチャは、浮動小数点演算、メモリ要求、推論時間の観点から計算的に高価になる。
  論文  参考訳（メタデータ） (2020-04-23T14:16:39Z)
• Modeling Neural Architecture Search Methods for Deep Networks [9.561123408923489]
  本稿では,ニューラルアーキテクチャ探索法(NAS)の一般化モデルを提案する。 重要な関心領域を分類し識別するための異なる設計アプローチを比較することが可能である。
  論文  参考訳（メタデータ） (2019-12-31T05:51:03Z)

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。