論文の概要: SEval-NAS: A Search-Agnostic Evaluation for Neural Architecture Search

• arxiv url: http://arxiv.org/abs/2603.00099v1
• Date: Tue, 17 Feb 2026 15:02:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 01:20:08.05108
• Title: SEval-NAS: A Search-Agnostic Evaluation for Neural Architecture Search
• Title（参考訳）: Seval-NAS: ニューラルネットワーク探索のための探索非依存評価
• Authors: Atah Nuh Mih, Jianzhou Wang, Truong Thanh Hung Nguyen, Hung Cao,
• Abstract要約: アーキテクチャを文字列に変換し,それをベクトルとして埋め込むメトリクス評価機構であるSEval-NASを提案し,性能指標を予測する。 NATS-BenchとHW-NAS-Benchを用いて,精度,レイテンシ,メモリを評価した。 さらに、SEval-NASをFreeREAに統合して、本来含まれていないメトリクスを評価する。
• 参考スコア（独自算出の注目度）: 20.37165647595783
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Neural architecture search (NAS) automates the discovery of neural networks that meet specified criteria, yet its evaluation procedures are often hardcoded, limiting the ability to introduce new metrics. This issue is especially pronounced in hardware-aware NAS, where objectives depend on target devices such as edge hardware. To address this limitation, we propose SEval-NAS, a metric-evaluation mechanism that converts architectures to strings, embeds them as vectors, and predicts performance metrics. Using NATS-Bench and HW-NAS-Bench, we evaluated accuracy, latency, and memory. Kendall's $τ$ correlations showed stronger latency and memory predictions than accuracy, indicating the suitability of SEval-NAS as a hardware cost predictor. We further integrated SEval-NAS into FreeREA to evaluate metrics not originally included. The method successfully ranked FreeREA-generated architectures, maintained search time, and required minimal algorithmic changes. Our implementation is available at: https://github.com/Analytics-Everywhere-Lab/neural-architecture-search
• Abstract（参考訳）: ニューラルネットワーク探索(NAS)は、特定の基準を満たすニューラルネットワークの発見を自動化するが、その評価手順はしばしばハードコードされ、新しいメトリクスを導入する能力を制限する。 この問題は特に、エッジハードウェアなどのターゲットデバイスに依存するハードウェア対応NASにおいて顕著である。 この制限に対処するために、アーキテクチャを文字列に変換し、それらをベクトルとして埋め込み、パフォーマンスメトリクスを予測するメトリクス評価機構であるSEval-NASを提案する。 NATS-BenchとHW-NAS-Benchを用いて,精度,レイテンシ,メモリを評価した。 Kendallの$τ$相関は、ハードウェアコスト予測器としてのSEval-NASの適合性を示している。 さらに、SEval-NASをFreeREAに統合して、本来含まれていないメトリクスを評価する。 この手法は、FreeREA生成アーキテクチャのランク付けに成功し、検索時間を維持し、最小限のアルゴリズム変更を必要とした。 私たちの実装は、https://github.com/Analytics-Everywhere-Lab/neural-architecture-searchで公開されています。

関連論文リスト

• DNA Family: Boosting Weight-Sharing NAS with Block-Wise Supervisions [121.05720140641189]
  蒸留型ニューラルアーキテクチャ(DNA)技術を用いたモデル群を開発した。 提案するDNAモデルでは,アルゴリズムを用いてサブサーチ空間にのみアクセス可能な従来の手法とは対照的に,すべてのアーキテクチャ候補を評価できる。 当社のモデルでは,モバイルコンボリューションネットワークと小型ビジョントランスフォーマーにおいて,ImageNet上で78.9%,83.6%の最先端トップ1精度を実現している。
  論文  参考訳（メタデータ） (2024-03-02T22:16:47Z)
• Search-time Efficient Device Constraints-Aware Neural Architecture Search [6.527454079441765]
  コンピュータビジョンや自然言語処理といったディープラーニング技術は、計算コストが高く、メモリ集約的です。 ニューラルアーキテクチャサーチ(NAS)によるデバイス制約に最適化されたタスク固有のディープラーニングアーキテクチャの構築を自動化する。 本稿では,エッジデバイス制約を組み込んだ高速ニューラルネットワークアーキテクチャ探索の原理的手法であるDCA-NASを提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:52:28Z)
• GeNAS: Neural Architecture Search with Better Generalization [14.92869716323226]
  最近のニューラルアーキテクチャサーチ(NAS)アプローチは、対象データに対して優れたネットワークを見つけるために、検証損失または精度に依存している。 そこで本研究では,より一般化した探索型アーキテクチャのためのニューラルアーキテクチャ探索手法について検討する。
  論文  参考訳（メタデータ） (2023-05-15T12:44:54Z)
• Data Aware Neural Architecture Search [0.12891210250935145]
  機械学習では、NNアーキテクチャを評価するのに1つのメトリクスだけでは不十分である。 資源制約システムのためのNASに関する最近の研究は、複数のメトリクスを最適化するための様々なアプローチについて研究している。 このようなシステムに“Data Aware NAS”と命名し,そのメリットを示す実験的な証拠を提供する。
  論文  参考訳（メタデータ） (2023-04-04T14:20:36Z)
• Neural Architecture Search: Two Constant Shared Weights Initialisations [0.0]
  エプシナス(Epsinas)は、2つの一定の共有重み付け初期化とそれらの出力統計を用いてアーキテクチャポテンシャルを評価する新しいゼロコストNAS計量である。 平均等級で正規化された原出力の分散は、訓練された精度と強く相関していることを示す。 我々の計算では、データラベルは必要とせず、単一のミニバッチで動作し、勾配の必要がなくなる。
  論文  参考訳（メタデータ） (2023-02-09T02:25:38Z)
• Generalization Properties of NAS under Activation and Skip Connection Search [66.8386847112332]
  ニューラルネットワーク探索(NAS)の一般化特性を統一的枠組みの下で検討する。 我々は, 有限幅政権下でのニューラル・タンジェント・カーネル(NTK)の最小固有値の下(および上)境界を導出する。 トレーニングなしでもNASがトップパフォーマンスアーキテクチャを選択する方法を示す。
  論文  参考訳（メタデータ） (2022-09-15T12:11:41Z)
• NAS-FCOS: Efficient Search for Object Detection Architectures [113.47766862146389]
  簡易なアンカーフリー物体検出器の特徴ピラミッドネットワーク (FPN) と予測ヘッドを探索し, より効率的な物体検出手法を提案する。 慎重に設計された検索空間、検索アルゴリズム、ネットワーク品質を評価するための戦略により、8つのV100 GPUを使用して、4日以内に最高のパフォーマンスの検知アーキテクチャを見つけることができる。
  論文  参考訳（メタデータ） (2021-10-24T12:20:04Z)
• Weak NAS Predictors Are All You Need [91.11570424233709]
  最近の予測器ベースのnasアプローチは、アーキテクチャとパフォーマンスのペアをサンプリングし、プロキシの精度を予測するという2つの重要なステップで問題を解決しようとする。 私たちはこのパラダイムを、アーキテクチャ空間全体をカバーする複雑な予測子から、ハイパフォーマンスなサブスペースへと徐々に進む弱い予測子へとシフトさせます。 NAS-Bench-101 および NAS-Bench-201 で最高の性能のアーキテクチャを見つけるためのサンプルを少なくし、NASNet 検索空間における最先端の ImageNet パフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-02-21T01:58:43Z)
• 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)

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。