論文の概要: Neural Architecture Search with an Efficient Multiobjective Evolutionary Framework

• arxiv url: http://arxiv.org/abs/2011.04463v1
• Date: Mon, 9 Nov 2020 14:41:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 00:16:58.681615
• Title: Neural Architecture Search with an Efficient Multiobjective Evolutionary Framework
• Title（参考訳）: 効率的な多目的進化フレームワークを用いたニューラルアーキテクチャ探索
• Authors: Maria Baldeon Calisto and Susana Lai-Yuen
• Abstract要約: 本稿では,効率的な多目的ニューラルアーキテクチャ探索フレームワークであるEMONASを提案する。 EMONASは、アーキテクチャのマクロ構造とマイクロ構造の両方を考慮した検索空間で構成されている。 MICCAI ACDCの課題から3次元心筋セグメンテーションの課題について検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning methods have become very successful at solving many complex tasks such as image classification and segmentation, speech recognition and machine translation. Nevertheless, manually designing a neural network for a specific problem is very difficult and time-consuming due to the massive hyperparameter search space, long training times, and lack of technical guidelines for the hyperparameter selection. Moreover, most networks are highly complex, task specific and over-parametrized. Recently, multiobjective neural architecture search (NAS) methods have been proposed to automate the design of accurate and efficient architectures. However, they only optimize either the macro- or micro-structure of the architecture requiring the unset hyperparameters to be manually defined, and do not use the information produced during the optimization process to increase the efficiency of the search. In this work, we propose EMONAS, an Efficient MultiObjective Neural Architecture Search framework for the automatic design of neural architectures while optimizing the network's accuracy and size. EMONAS is composed of a search space that considers both the macro- and micro-structure of the architecture, and a surrogate-assisted multiobjective evolutionary based algorithm that efficiently searches for the best hyperparameters using a Random Forest surrogate and guiding selection probabilities. EMONAS is evaluated on the task of 3D cardiac segmentation from the MICCAI ACDC challenge, which is crucial for disease diagnosis, risk evaluation, and therapy decision. The architecture found with EMONAS is ranked within the top 10 submissions of the challenge in all evaluation metrics, performing better or comparable to other approaches while reducing the search time by more than 50% and having considerably fewer number of parameters.
• Abstract（参考訳）: ディープラーニング手法は、画像分類やセグメンテーション、音声認識、機械翻訳など、多くの複雑なタスクを解くことに成功している。 それでも、ニューラルネットワークを特定の問題のために手動で設計するのは、巨大なハイパーパラメータ検索スペース、長いトレーニング時間、ハイパーパラメータ選択のための技術的なガイドラインの欠如など、非常に困難で時間を要する。 さらに、ほとんどのネットワークは複雑で、タスク固有であり、過度にパラメータ化されている。 近年,正確かつ効率的なアーキテクチャの設計を自動化するために,多目的ニューラルアーキテクチャ探索法が提案されている。 しかし、アンセットされたハイパーパラメータを手動で定義する必要のあるアーキテクチャのマクロ構造かマイクロ構造のみを最適化し、最適化プロセス中に生成された情報を検索の効率を高めるために使用しない。 本研究では,ネットワークの精度とサイズを最適化しつつ,ニューラルネットワークの自動設計のための効率的な多目的ニューラルネットワーク探索フレームワークであるemonasを提案する。 EMONASは、アーキテクチャのマクロ構造とマイクロ構造の両方を考慮した探索空間と、ランダムフォレストサロゲートを用いて最適なハイパーパラメータを効率的に探索し、選択確率を誘導するサロゲート支援多目的進化ベースアルゴリズムで構成されている。 疾患診断,リスク評価,治療決定に欠かせないMICCAI ACDCチャレンジからの3D心筋セグメンテーションを課題として評価した。 EMONASで発見されたアーキテクチャは、すべての評価指標における課題のトップ10にランクインし、検索時間を50%以上削減し、パラメータ数がかなり少なくなるとともに、他のアプローチに匹敵するパフォーマンスを実現している。

関連論文リスト

• A Survey on Neural Architecture Search Based on Reinforcement Learning [0.0]
  本稿では,ニューラルアーキテクチャサーチの全体開発を紹介する。 次に、ニューラルネットワーク検索に関する総合的かつ理解可能な調査を提供することに重点を置いています。
  論文  参考訳（メタデータ） (2024-09-26T17:28:10Z)
• EM-DARTS: Hierarchical Differentiable Architecture Search for Eye Movement Recognition [54.99121380536659]
  眼球運動バイオメトリックスは、高い安全性の識別により注目されている。 深層学習(DL)モデルは近年,眼球運動認識に成功している。 DLアーキテクチャはまだ人間の事前知識によって決定されている。 眼球運動認識のためのDLアーキテクチャを自動設計する階層的微分可能なアーキテクチャ探索アルゴリズムEM-DARTSを提案する。
  論文  参考訳（メタデータ） (2024-09-22T13:11:08Z)
• 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)
• Multi-Objective Neural Architecture Search for In-Memory Computing [0.5892638927736115]
  我々は、インメモリコンピューティングアーキテクチャに多様な機械学習(ML)タスクをデプロイする効率を高めるために、ニューラルネットワークサーチ(NAS)を採用している。 IMCアーキテクチャ展開のためのNASアプローチの評価は、3つの異なる画像分類データセットにまたがる。
  論文  参考訳（メタデータ） (2024-06-10T19:17:09Z)
• Surrogate-assisted Multi-objective Neural Architecture Search for Real-time Semantic Segmentation [11.866947846619064]
  ニューラルアーキテクチャサーチ(NAS)は、アーキテクチャ設計を自動化するための有望な道として登場した。 セマンティックセグメンテーションにNASを適用する際の課題を解決するために,サロゲート支援多目的手法を提案する。 提案手法は,人手による設計と他のNAS手法による自動設計の両方により,既存の最先端アーキテクチャを著しく上回るアーキテクチャを同定することができる。
  論文  参考訳（メタデータ） (2022-08-14T10:18:51Z)
• iDARTS: Differentiable Architecture Search with Stochastic Implicit Gradients [75.41173109807735]
  微分可能なArchiTecture Search(DARTS)は先日,ニューラルアーキテクチャサーチ(NAS)の主流になった。 暗黙の関数定理に基づいてDARTSの過次計算に取り組む。 提案手法であるiDARTSのアーキテクチャ最適化は,定常点に収束することが期待される。
  論文  参考訳（メタデータ） (2021-06-21T00:44:11Z)
• 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-Navigator: Visual Steering for Explainable One-Shot Deep Neural Network Synthesis [53.106414896248246]
  本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。 このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
  論文  参考訳（メタデータ） (2020-09-28T01:48:45Z)
• Rethinking Performance Estimation in Neural Architecture Search [191.08960589460173]
  本稿では,資源制約型システムにおける性能推定(PE)の体系的再考を行う。 BPEと強化学習,進化アルゴリズム,ランダム探索,異種アーキテクチャ探索などの様々な探索アルゴリズムを組み合わせることで,NASの1,000倍の高速化を実現した。
  論文  参考訳（メタデータ） (2020-05-20T09:01:44Z)

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。