論文の概要: Seq103: A Unified Neuroevolution Framework for Compact Sequence Architecture Discovery
- arxiv url: http://arxiv.org/abs/2606.07664v1
- Date: Wed, 03 Jun 2026 19:01:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:05.205353
- Title: Seq103: A Unified Neuroevolution Framework for Compact Sequence Architecture Discovery
- Title（参考訳）: Seq103: コンパクトなシーケンスアーキテクチャ発見のための統一された神経進化フレームワーク
- Authors: Wenxiao Li, Yongjian Liu, Qing Xie,
- Abstract要約: 神経進化(Neuroevolution)は、進化的アルゴリズムを通じてネットワークトポロジと重みの両方を進化させる代表的なニューラルネットワーク探索パラダイムである。
本稿では,コンパクトなシーケンスアーキテクチャ発見のためのNEATスタイルのニューロ進化フレームワークであるSeq103を提案する。
- 参考スコア（独自算出の注目度）: 2.3458032936447886
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neuroevolution is a representative neural architecture search paradigm that evolves both network topology and weights through evolutionary algorithms. In this paper, we propose Seq103, a unified NEAT-style neuroevolution framework for compact sequence architecture discovery. Seq103 consists of a shared evolutionary backbone and an optional recurrent extension. The shared backbone includes an elementary node-and-connection representation, per-class RMSE-based evaluation, mutation-based evolution with class-wise recombination, and elitism. The optional hidden-state mechanism extends the search space with hidden-state nodes and hidden connections, enabling temporal memory when step-wise recurrent inference is required. With this design, Seq103 applies the same core search pipeline to both step-wise recurrent and sample-wise feedforward sequence classification. In recurrent tasks, the hidden-state extension is enabled to provide temporal memory; in feedforward tasks, it is disabled while the shared evolutionary backbone remains unchanged. We evaluate Seq103 on 8 text classification datasets and the full UCRArchive2018 benchmark with 128 univariate time-series datasets. On step-wise tasks, Seq103 retains 86.96% of the best-baseline accuracy on average while using 34.6x to 3218.0x fewer parameters. On sample-wise tasks over the full UCRArchive2018 benchmark, Seq103 retains 81.95% of the best-baseline accuracy on average while using 11.8x to 160,601.0x fewer parameters.
- Abstract（参考訳）: 神経進化(Neuroevolution)は、進化的アルゴリズムを通じてネットワークトポロジと重みの両方を進化させる代表的なニューラルネットワーク探索パラダイムである。
本稿では,コンパクトなシーケンスアーキテクチャ発見のためのNEATスタイルのニューロ進化フレームワークであるSeq103を提案する。
Seq103は、共有された進化のバックボーンと、オプションでリカレント拡張から構成される。
共有バックボーンは、初等ノード結合表現、クラスごとのRMSEに基づく評価、クラスワイド組換えによる突然変異ベースの進化、エリート主義を含む。
オプションの隠れ状態メカニズムは、検索スペースを隠れ状態ノードと隠れ接続で拡張し、ステップワイズ・リカレント推論が必要なときの時間記憶を可能にする。
この設計により、Seq103はステップワイド・リカレントとサンプルワイド・フィードフォワードのシーケンス分類の両方に同じコアサーチパイプラインを適用している。
繰り返しタスクでは、隠された状態拡張が時間記憶を提供し、フィードフォワードタスクでは、共有された進化バックボーンが変更されていない間は無効になる。
我々は8つのテキスト分類データセットと128の単変量時系列データセットを用いたフルUCRArchive2018ベンチマークでSeq103を評価する。
ステップワイズタスクでは、Seq103は平均で最高のベースライン精度の86.96%を維持し、34.6xから3218.0xのパラメータを使用する。
UCRArchive2018ベンチマークでのサンプル処理では、Seq103は11.8xから160,601.0xのパラメータを使用しながら、平均で最高のベースライン精度の81.95%を維持している。
関連論文リスト
- EvolveMem:Self-Evolving Memory Architecture via AutoResearch for LLM Agents [80.59925936278162]
本稿では,自己進化型メモリアーキテクチャであるEvolveMemについて述べる。
このクローズループの自己進化はAutoResearchプロセスを実現している。システムは自力で独自のアーキテクチャ上で反復的な研究サイクルを実行し、手動構成のチューニングを置き換える。
論文 参考訳（メタデータ） (2026-05-13T17:12:44Z) - ARCS: Autoregressive Circuit Synthesis with Topology-Aware Graph Attention and Spec Conditioning [0.0]
ARCSは、検索ベースの手法で必要とされる分ではなく、完全なSPICEシミュラブルな設計をミリ秒で生成する。
単モデル推論では、ベストオブ3候補選択を備えたトポロジ対応グラフ変換器が97msで85%のシミュレーション精度に達し、ランダム検索より600倍以上高速である。
論文 参考訳（メタデータ） (2026-03-30T23:14:08Z) - Towards Cold-Start Drafting and Continual Refining: A Value-Driven Memory Approach with Application to NPU Kernel Synthesis [68.7701048879757]
EvoKernelは、カーネル合成のライフサイクルを自動化する自己進化型エージェントフレームワークである。
ステージ固有のQ値を学び、現在の目標への貢献に基づいて経験を優先する。
モデルの正しさを11.0%から83.0%に改善し、初期ドラフトよりも3.60倍のスピードアップを実現している。
論文 参考訳（メタデータ） (2026-03-11T14:57:06Z) - MIDAS: Mosaic Input-Specific Differentiable Architecture Search [1.6921396880325779]
MIDASは、静的アーキテクチャパラメータを動的で入力固有のパラメータに置き換え、DARTSを近代化する新しいアプローチである。
DARTS,NAS-Bench-201,RDARTS検索空間上でMIDASを評価する。
論文 参考訳（メタデータ） (2026-02-06T23:16:41Z) - Resonant Sparse Geometry Networks [0.0]
共振器スパース幾何ネットワーク(Resonant Sparse Geometry Networks, RSGN)は, 自己組織型スパーススパース入力依存接続を持つ脳にインスパイアされたアーキテクチャである。
RSGNは、接続強度が測地距離で減衰する学習された双曲空間に計算ノードを埋め込む。
論文 参考訳（メタデータ） (2026-01-26T01:45:51Z) - SymRAG: Efficient Neuro-Symbolic Retrieval Through Adaptive Query Routing [8.775121469887033]
現在のRetrieval-Augmented Generationシステムは一様処理を使用しており、単純なクエリが複雑なマルチホップタスクに似たリソースを消費するので非効率である。
リアルタイム複雑化と負荷評価による適応型クエリルーティングを導入し,シンボル,ニューラル,ハイブリッドの経路を選択するためのフレームワークであるSymRAGを提案する。
論文 参考訳（メタデータ） (2025-06-15T22:35:43Z) - End-to-End Implicit Neural Representations for Classification [57.55927378696826]
Inlicit Neural representations (INRs) は、ニューラルネットワークパラメータの信号を符号化し、信号再構成に優れた結果を示す。
INRをベースとした分類は、CNNのようなピクセルベースの手法に比べて、依然としてかなり低性能である。
本研究は,SIRENを学習段階のスキームとともに初期化するエンド・ツー・エンドの戦略を提案する。
論文 参考訳（メタデータ） (2025-03-23T16:02:23Z) - Ecological Neural Architecture Search [0.0]
本稿ではNevo Ecological Neural Architecture Search (ENAS)を紹介する。
ENASは、進化的パラメータを候補のソリューションの表現型に直接組み込んでおり、アーキテクチャ仕様と並行して動的に進化することができる。
論文 参考訳（メタデータ） (2025-03-13T21:40:25Z) - vCache: Verified Semantic Prompt Caching [95.16654660556975]
本稿では,ユーザ定義エラー率保証を備えた最初の検証済みセマンティックキャッシュであるvCacheを提案する。
オンライン学習アルゴリズムを使用して、キャッシュされたプロンプト毎に最適な閾値を推定し、追加のトレーニングなしで信頼性の高いキャッシュ応答を可能にする。
我々の実験によると、vCacheは特定のエラー境界を一貫して満たし、最先端の静的な閾値と微調整された埋め込みベースラインより優れています。
論文 参考訳（メタデータ） (2025-02-06T04:16:20Z) - Inception Convolution with Efficient Dilation Search [121.41030859447487]
拡散畳み込みは、効果的な受容場を制御し、オブジェクトの大規模な分散を処理するための標準的な畳み込みニューラルネットワークの重要な変異体である。
そこで我々は,異なる軸,チャネル,層間の独立な拡散を有する拡張畳み込みの新たな変異体,すなわち開始(拡張)畳み込みを提案する。
本稿では,データに複雑なインセプション・コンボリューションを適合させる実用的な手法を探索し,統計的最適化に基づく簡易かつ効果的な拡張探索アルゴリズム(EDO)を開発した。
論文 参考訳（メタデータ） (2020-12-25T14:58:35Z) - Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks [133.93803565077337]
検索強化生成モデルは、事前訓練されたパラメトリックメモリと非パラメトリックメモリを組み合わせて言語生成を行う。
我々は、RAGモデルが、最先端パラメトリックのみのセク2セックベースラインよりも、より具体的で、多様で、現実的な言語を生成することを示す。
論文 参考訳（メタデータ） (2020-05-22T21:34:34Z)
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。