論文の概要: MEESO: A Multi-objective End-to-End Self-Optimized Approach for Automatically Building Deep Learning Models

• arxiv url: http://arxiv.org/abs/2211.10921v1
• Date: Sun, 20 Nov 2022 09:36:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 21:53:40.281412
• Title: MEESO: A Multi-objective End-to-End Self-Optimized Approach for Automatically Building Deep Learning Models
• Title（参考訳）: MEESO: ディープラーニングモデルの自動構築のための多目的エンドツーエンド自己最適化手法
• Authors: Thanh Phuong Pham
• Abstract要約: 本稿では,ディープラーニングモデルの自動構築のためのエンドツーエンドの自己最適化手法を提案する。 我々のアルゴリズムは、最先端のアプローチと比較して、様々な競合モデルを発見することができる。
• 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 has been widely used in various applications from different fields such as computer vision, natural language processing, etc. However, the training models are often manually developed via many costly experiments. This manual work usually requires substantial computing resources, time, and experience. To simplify the use of deep learning and alleviate human effort, automated deep learning has emerged as a potential tool that releases the burden for both users and researchers. Generally, an automatic approach should support the diversity of model selection and the evaluation should allow users to decide upon their demands. To that end, we propose a multi-objective end-to-end self-optimized approach for constructing deep learning models automatically. Experimental results on well-known datasets such as MNIST, Fashion, and Cifar10 show that our algorithm can discover various competitive models compared with the state-of-the-art approach. In addition, our approach also introduces multi-objective trade-off solutions for both accuracy and uncertainty metrics for users to make better decisions.
• Abstract（参考訳）: ディープラーニングは、コンピュータビジョンや自然言語処理など、さまざまな分野のさまざまなアプリケーションで広く使用されている。 しかし、トレーニングモデルは、多くの高価な実験を通して手作業で開発されることが多い。 この手動作業は通常、かなりの計算資源、時間、経験を必要とする。 ディープラーニングの使用を単純化し、人間の努力を緩和するために、自動ディープラーニングは、ユーザと研究者の両方の負担を解放する潜在的なツールとして登場した。 一般的に、自動アプローチはモデル選択の多様性をサポートし、評価はユーザが要求に応じて決定できるようにすべきである。 そこで本研究では,ディープラーニングモデルの自動構築のための多目的エンドツーエンド自己最適化手法を提案する。 mnist、fashion、cifar10などのよく知られたデータセットを用いた実験の結果、アルゴリズムは最先端のアプローチと比較して様々な競合モデルを見つけることができることがわかった。 さらに,提案手法では,精度と不確実性の両方を考慮した多目的トレードオフソリューションを導入している。

関連論文リスト

• Towards a Domain-Specific Modelling Environment for Reinforcement Learning [0.13124513975412253]
  ドメイン固有のモデリング環境を開発するために、モデル駆動工学(MDE)手法とツールを使用します。 我々は、機械学習領域からの強化学習を目標とし、提案言語である強化学習モデリング言語(RLML)の評価を行った。 このツールは構文指向の編集、制約チェック、RLMLモデルからのコードの自動生成をサポートする。
  論文  参考訳（メタデータ） (2024-10-12T04:56:01Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• 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)
• Model-Based Deep Learning: On the Intersection of Deep Learning and Optimization [101.32332941117271]
  決定アルゴリズムは様々なアプリケーションで使われている。 数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。 モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
  論文  参考訳（メタデータ） (2022-05-05T13:40:08Z)
• DIME: Fine-grained Interpretations of Multimodal Models via Disentangled Local Explanations [119.1953397679783]
  我々は,マルチモーダルモデルの解釈における最先端化に注力する。 提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
  論文  参考訳（メタデータ） (2022-03-03T20:52:47Z)
• Rethinking Pareto Frontier for Performance Evaluation of Deep Neural Networks [2.167843405313757]
  多目的最適化を用いて効率測定を再定義する。 競合変数と自然を同時に1つの相対効率尺度で組み合わせる。 これにより、異なるコンピューティングハードウェア上で効率的に動作するディープモデルをランク付けし、推論効率とトレーニング効率を客観的に組み合わせることができる。
  論文  参考訳（メタデータ） (2022-02-18T15:58:17Z)
• Model-Based Visual Planning with Self-Supervised Functional Distances [104.83979811803466]
  モデルに基づく視覚的目標達成のための自己監視手法を提案する。 私たちのアプローチは、オフラインでラベルなしのデータを使って完全に学習します。 このアプローチは,モデルフリーとモデルベース先行手法の両方で大幅に性能が向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-30T23:59:09Z)
• Provable Multi-Objective Reinforcement Learning with Generative Models [98.19879408649848]
  目的の選好から最適な政策を学習する単一政策 MORL の問題について検討する。 既存の方法は、多目的決定プロセスの正確な知識のような強い仮定を必要とする。 モデルベースエンベロップ値 (EVI) と呼ばれる新しいアルゴリズムを提案し, 包含された多目的$Q$学習アルゴリズムを一般化する。
  論文  参考訳（メタデータ） (2020-11-19T22:35:31Z)
• Plausible Counterfactuals: Auditing Deep Learning Classifiers with Realistic Adversarial Examples [84.8370546614042]
  ディープラーニングモデルのブラックボックスの性質は、彼らがデータから何を学ぶかについて、未回答の疑問を提起している。 GAN(Generative Adversarial Network)とマルチオブジェクトは、監査されたモデルに妥当な攻撃を与えるために使用される。 その実用性は人間の顔の分類タスクの中で示され、提案されたフレームワークの潜在的可能性を明らかにしている。
  論文  参考訳（メタデータ） (2020-03-25T11:08:56Z)

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。