論文の概要: DQNAS: Neural Architecture Search using Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2301.06687v1
- Date: Tue, 17 Jan 2023 04:01:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 14:56:48.667393
- Title: DQNAS: Neural Architecture Search using Reinforcement Learning
- Title（参考訳）: dqnas:強化学習を用いたニューラルアーキテクチャ探索
- Authors: Anshumaan Chauhan, Siddhartha Bhattacharyya, S. Vadivel
- Abstract要約: 畳み込みニューラルネットワークは様々な画像関連アプリケーションで使われている。
本稿では,強化学習の原則を取り入れた,ニューラルネットワークの自動探索フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 6.33280703577189
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Convolutional Neural Networks have been used in a variety of image related
applications after their rise in popularity due to ImageNet competition.
Convolutional Neural Networks have shown remarkable results in applications
including face recognition, moving target detection and tracking,
classification of food based on the calorie content and many more. Designing of
Convolutional Neural Networks requires experts having a cross domain knowledge
and it is laborious, which requires a lot of time for testing different values
for different hyperparameter along with the consideration of different
configurations of existing architectures. Neural Architecture Search is an
automated way of generating Neural Network architectures which saves
researchers from all the brute-force testing trouble, but with the drawback of
consuming a lot of computational resources for a prolonged period. In this
paper, we propose an automated Neural Architecture Search framework DQNAS,
guided by the principles of Reinforcement Learning along with One-shot Training
which aims to generate neural network architectures that show superior
performance and have minimum scalability problem.
- Abstract（参考訳）: 畳み込みニューラルネットワークは、ImageNetの競合によって人気が高まり、さまざまな画像関連アプリケーションで使用されている。
畳み込みニューラルネットワークは、顔認識、移動ターゲットの検出と追跡、カロリーに基づく食品の分類など、多くの応用において顕著な結果を示している。
畳み込みニューラルネットワークの設計には、クロスドメインの知識を持つ専門家が必要であり、既存のアーキテクチャの異なる構成を考慮すると同時に、異なるハイパーパラメータの異なる値をテストするのに多くの時間を要する。
ニューラルネットワーク(neural architecture)検索は、ニューラルネットワークアーキテクチャを生成する自動化方法であり、研究者があらゆる力テストのトラブルから救うが、多くの計算リソースを長時間消費するという欠点がある。
本稿では,強化学習の原則とワンショットトレーニングを併用した自動ニューラルネットワーク検索フレームワークDQNASを提案する。
関連論文リスト
- SuperNet in Neural Architecture Search: A Taxonomic Survey [14.037182039950505]
このサーベイは、ウェイトシェアリングを使用して、すべてのアーキテクチャをサブモデルとして組み立てるニューラルネットワークを構築するスーパーネット最適化に焦点を当てている。
データ側最適化、低ランク相関緩和、多数のデプロイメントシナリオに対するトランスファー可能なNASなどです。
論文 参考訳（メタデータ） (2022-04-08T08:29:52Z) - 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) - Self-Denoising Neural Networks for Few Shot Learning [66.38505903102373]
既存のニューラルアーキテクチャの複数の段階でノイズを追加すると同時に、この付加ノイズに対して堅牢であるように学習する新しいトレーニングスキームを提案する。
このアーキテクチャは、SDNN(Self-Denoising Neural Network)と呼ばれ、現代の畳み込みニューラルネットワークに容易に適用できます。
論文 参考訳（メタデータ） (2021-10-26T03:28:36Z) - 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) - 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) - 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) - Automated Search for Resource-Efficient Branched Multi-Task Networks [81.48051635183916]
我々は,多タスクニューラルネットワークにおける分岐構造を自動的に定義する,微分可能なニューラルネットワーク探索に根ざした原理的アプローチを提案する。
本手法は,限られた資源予算内で高い性能の分岐構造を見いだすことができる。
論文 参考訳（メタデータ） (2020-08-24T09:49:19Z) - 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) - Inferring Convolutional Neural Networks' accuracies from their
architectural characterizations [0.0]
CNNのアーキテクチャと性能の関係について検討する。
本稿では,2つのコンピュータビジョンに基づく物理問題において,その特性がネットワークの性能を予測できることを示す。
我々は機械学習モデルを用いて、トレーニング前にネットワークが一定のしきい値精度よりも優れた性能を発揮できるかどうかを予測する。
論文 参考訳（メタデータ） (2020-01-07T16:41:58Z)
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。