Fugu-MT 論文翻訳(概要): A Lightweight Neural Architecture Search Model for Medical Image Classification

論文の概要: A Lightweight Neural Architecture Search Model for Medical Image Classification

arxiv url: http://arxiv.org/abs/2405.03462v1
Date: Mon, 6 May 2024 13:33:38 GMT
ステータス: 処理完了
システム内更新日: 2024-05-07 13:36:52.054896
Title: A Lightweight Neural Architecture Search Model for Medical Image Classification
Title（参考訳）: 医用画像分類のための軽量ニューラルネットワーク探索モデル
Authors: Lunchen Xie, Eugenio Lomurno, Matteo Gambella, Danilo Ardagna, Manuel Roveri, Matteo Matteucci, Qingjiang Shi,
Abstract要約: 本稿では,スパース確率を生成する新しい手法により探索効率を向上させる微分可能なNASアルゴリズムZO-DARTS+を提案する。 5つの公開医療データセットの実験では、ZO-DARTS+は最先端のソリューションの精度と一致し、検索時間を最大3倍削減している。
参考スコア（独自算出の注目度）: 15.244911514754547
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Accurate classification of medical images is essential for modern diagnostics. Deep learning advancements led clinicians to increasingly use sophisticated models to make faster and more accurate decisions, sometimes replacing human judgment. However, model development is costly and repetitive. Neural Architecture Search (NAS) provides solutions by automating the design of deep learning architectures. This paper presents ZO-DARTS+, a differentiable NAS algorithm that improves search efficiency through a novel method of generating sparse probabilities by bi-level optimization. Experiments on five public medical datasets show that ZO-DARTS+ matches the accuracy of state-of-the-art solutions while reducing search times by up to three times.
Abstract（参考訳）: 医用画像の正確な分類は現代診断に不可欠である。深層学習の進歩により、臨床医はより高速で正確な意思決定に洗練されたモデルを使うようになり、時には人間の判断に取って代わることもあった。しかし、モデル開発は高価で反復的です。 Neural Architecture Search (NAS)は、ディープラーニングアーキテクチャの設計を自動化するソリューションを提供する。本稿では,二段階最適化によりスパース確率を生成する新しい手法により,探索効率を向上させる微分可能なNASアルゴリズムZO-DARTS+を提案する。 5つの公開医療データセットの実験では、ZO-DARTS+は最先端のソリューションの精度と一致し、検索時間を最大3倍削減している。

関連論文リスト

A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。我々の推論速度は拡散法よりも1,400倍速い。
論文参考訳（メタデータ） (2024-10-05T20:03:57Z)
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)
POPNASv3: a Pareto-Optimal Neural Architecture Search Solution for Image and Time Series Classification [8.190723030003804]
本稿では、異なるハードウェア環境と複数の分類タスクを対象とした逐次モデルベースNASアルゴリズムの第3版について述べる。提案手法は,異なるタスクに適応するフレキシブルな構造とデータ処理パイプラインを維持しながら,大規模な検索空間内で競合するアーキテクチャを見つけることができる。画像と時系列の分類データセットで実施された実験は、POPNASv3が多種多様な演算子を探索し、異なるシナリオで提供されるデータの種類に適した最適なアーキテクチャに収束できることを示す。
論文参考訳（メタデータ） (2022-12-13T17:14:14Z)
Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文参考訳（メタデータ） (2022-04-09T13:04:36Z)
$\beta$-DARTS: Beta-Decay Regularization for Differentiable Architecture Search [85.84110365657455]
本研究では,DARTSに基づくNAS探索過程を正規化するために,ベータデカイと呼ばれるシンプルだが効率的な正規化手法を提案する。 NAS-Bench-201の実験結果から,提案手法は探索過程の安定化に有効であり,探索されたネットワークを異なるデータセット間で転送しやすくする。
論文参考訳（メタデータ） (2022-03-03T11:47:14Z)
D-DARTS: Distributed Differentiable Architecture Search [75.12821786565318]
微分可能なArchiTecture Search(DARTS)は、最も流行しているニューラルネットワークサーチ(NAS)の1つである。セルレベルで複数のニューラルネットワークをネストすることでこの問題に対処する新しいソリューションD-DARTSを提案する。
論文参考訳（メタデータ） (2021-08-20T09:07:01Z)
VINNAS: Variational Inference-based Neural Network Architecture Search [2.685668802278155]
スパース畳み込みニューラルネットワークを探索するための可変変分推論に基づくNAS法を提案する。提案手法は,非ゼロパラメータの約2倍の精度で最先端の精度を示しながら,多様なネットワークセルを探索する。
論文参考訳（メタデータ） (2020-07-12T21:47:35Z)
DrNAS: Dirichlet Neural Architecture Search [88.56953713817545]
ディリクレ分布をモデルとした連続緩和型混合重みをランダム変数として扱う。最近開発されたパスワイズ微分により、ディリクレパラメータは勾配に基づく一般化で容易に最適化できる。微分可能なNASの大きなメモリ消費を軽減するために, 単純かつ効果的な進行学習方式を提案する。
論文参考訳（メタデータ） (2020-06-18T08:23:02Z)
Neural Architecture Search For Fault Diagnosis [6.226564415963648]
ディープラーニングはビッグデータ処理に適しており、エンドツーエンドの故障診断システムを実現する強力な特徴抽出機能を備えている。ニューラルアーキテクチャサーチ(NAS)は急速に発展しており、ディープラーニングの次の方向性の1つになりつつある。本稿では,補強学習を用いたNAS法による断層診断手法を提案する。
論文参考訳（メタデータ） (2020-02-19T04:03:51Z)
Optimal Transfer Learning Model for Binary Classification of Funduscopic Images through Simple Heuristics [0.8370915747360484]
深層学習ニューラルネットワークを用いて、眼内画像の視覚的表現を診断する。本稿では, 病原体が健康であるか, 病原体なのかを, 低コストで推定する, 病原体分類の統一モデルを提案する。
論文参考訳（メタデータ） (2020-02-11T03:49:14Z)
Evolutionary Neural Architecture Search for Retinal Vessel Segmentation [2.0159253466233222]
網膜血管分割のためのエンコーダデコーダアーキテクチャを最適化するために、ニューラルアーキテクチャサーチ(NAS)を適用した新しいアプローチを提案する。修正された進化的アルゴリズムは、限られた計算資源を持つエンコーダ・デコーダフレームワークのアーキテクチャの進化に使用される。クロストレーニングの結果、進化したモデルには相当な拡張性があり、臨床疾患の診断に大きな可能性があることが示唆された。
論文参考訳（メタデータ） (2020-01-18T15:07:26Z)

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。