論文の概要: Neural Architecture Search for Generative Adversarial Networks: A Comprehensive Review and Critical Analysis

• arxiv url: http://arxiv.org/abs/2606.26169v1
• Date: Wed, 24 Jun 2026 08:29:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.020298
• Title: Neural Architecture Search for Generative Adversarial Networks: A Comprehensive Review and Critical Analysis
• Title（参考訳）: 生成的敵対的ネットワークのためのニューラルネットワーク探索:包括的レビューと批判的分析
• Abstract要約: GAN(Generative Adversarial Networks)の設計を最適化する重要な手法として、ニューラルアーキテクチャサーチ(NAS)が登場した。 本稿では、GANに適用されたNAS手法の総合的なレビューを行い、探索戦略、評価指標、性能評価結果などの基準に基づいて、様々なアプローチを分類・比較する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural Architecture Search (NAS) has emerged as a pivotal technique in optimizing the design of Generative Adversarial Networks (GANs), automating the search for effective architectures while addressing the challenges inherent in manual design. This paper provides a comprehensive review of NAS methods applied to GANs, categorizing and comparing various approaches based on criteria such as search strategies, evaluation metrics, and performance outcomes. The review highlights the benefits of NAS in improving GAN performance, stability, and efficiency, while also identifying limitations and areas for future research. Key findings include the superiority of evolutionary algorithms and gradient-based methods in certain contexts, the importance of robust evaluation metrics beyond traditional scores like Inception Score (IS) and Fréchet Inception Distance (FID), and the need for diverse datasets in assessing GAN performance. By presenting a structured comparison of existing NAS-GAN techniques, this paper aims to guide researchers in developing more effective NAS methods and advancing the field of GANs.
• Abstract（参考訳）: ニューラルアーキテクチャサーチ(NAS)は、GAN(Generative Adversarial Networks)の設計を最適化する重要な手法として登場し、手動設計に固有の課題に対処しながら、効果的なアーキテクチャの探索を自動化する。 本稿では、GANに適用されたNAS手法の総合的なレビューを行い、探索戦略、評価指標、性能評価結果などの基準に基づいて、様々なアプローチを分類・比較する。 レビューでは、GANのパフォーマンス、安定性、効率を改善する上でNASの利点を強調し、同時に将来の研究の限界と領域を特定する。 主な発見は、特定の文脈における進化的アルゴリズムと勾配に基づく手法の優位性、インセプションスコア(IS)やフレシェ・インセプションディスタンス(Fréchet Inception Distance、FID)のような従来のスコアを超える堅牢な評価指標の重要性、GANパフォーマンスを評価するための多様なデータセットの必要性である。 本稿では,既存のNAS-GAN手法の構造化比較を行い,より効果的なNAS手法の開発と,GANの分野の進展を指導することを目的とする。

関連論文リスト

• Evolution and Efficiency in Neural Architecture Search: Bridging the Gap Between Expert Design and Automated Optimization [1.7385545432331702]
  本稿では,ニューラルネットワーク検索の概要について概説する。 手動設計から自動化された計算駆動アプローチへの進化を強調している。 医療画像や自然言語処理など、さまざまな分野の応用を強調している。
  論文  参考訳（メタデータ） (2024-02-11T18:27:29Z)
• DNS-Rec: Data-aware Neural Architecture Search for Recommender Systems [79.76519917171261]
  本稿では,SRS(Sequential Recommender Systems)における計算オーバーヘッドと資源非効率性について述べる。 本稿では, プルーニング法と高度なモデル設計を組み合わせた革新的な手法を提案する。 我々の主な貢献は、リコメンダシステム(DNS-Rec)のためのデータ対応ニューラルアーキテクチャ検索の開発である。
  論文  参考訳（メタデータ） (2024-02-01T07:22:52Z)
• Neural Architecture Search for Speech Emotion Recognition [72.1966266171951]
  本稿では,SERモデルの自動構成にニューラルアーキテクチャサーチ(NAS)技術を適用することを提案する。 NASはモデルパラメータサイズを維持しながらSER性能(54.89%から56.28%)を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-03-31T10:16:10Z)
• $\eta$-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)
• Going Beyond Neural Architecture Search with Sampling-based Neural Ensemble Search [31.059040393415003]
  本稿では,Nurural Ensemble Search via Smpling (NESS) フレームワークに基づく2つの新しいサンプリングアルゴリズムを提案する。 我々のNESSアルゴリズムは、分類タスクと対角防御タスクの両方において改善された性能を達成できることが示されている。
  論文  参考訳（メタデータ） (2021-09-06T15:18:37Z)
• NASI: Label- and Data-agnostic Neural Architecture Search at Initialization [35.18069719489172]
  我々はNAS at Initialization (NASI)と呼ばれる新しいNASアルゴリズムを提案する。 NASIはニューラル・タンジェント・カーネルの機能を利用して、候補アーキテクチャの収束性能を特徴づける。 NASIはまた、CIFAR-10/100やImageNetなど、さまざまなデータセットで競合する検索効率を実現している。
  論文  参考訳（メタデータ） (2021-09-02T09:49:28Z)
• iDARTS: Differentiable Architecture Search with Stochastic Implicit Gradients [75.41173109807735]
  微分可能なArchiTecture Search(DARTS)は先日,ニューラルアーキテクチャサーチ(NAS)の主流になった。 暗黙の関数定理に基づいてDARTSの過次計算に取り組む。 提案手法であるiDARTSのアーキテクチャ最適化は,定常点に収束することが期待される。
  論文  参考訳（メタデータ） (2021-06-21T00:44:11Z)
• Search to aggregate neighborhood for graph neural network [47.47628113034479]
  そこで本研究では,データ固有のGNNアーキテクチャを自動的に設計するためのフレームワークとして,SANE(Search to Aggregate NEighborhood)を提案する。 新規で表現力のある検索空間を設計することにより,従来の強化学習法よりも効率的である微分可能な探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-04-14T03:15:19Z)
• Differential Evolution for Neural Architecture Search [33.80873355096445]
  我々はNASコミュニティに差分進化の単純かつ強力な進化アルゴリズムを導入する。 我々は,NAS-Bench-101,NAS-Bench-1Shot1,NAS-Bench-201,NAS-HPOベンチに基づく13のベンチマークに対して,改良された,より堅牢な結果が得られることを示した。
  論文  参考訳（メタデータ） (2020-12-11T14:58:43Z)
• Off-Policy Reinforcement Learning for Efficient and Effective GAN Architecture Search [50.40004966087121]
  本稿では,GANアーキテクチャ探索のための強化学習に基づくニューラルアーキテクチャ探索手法を提案する。 鍵となる考え方は、よりスムーズなアーキテクチャサンプリングのためのマルコフ決定プロセス(MDP)として、GANアーキテクチャ探索問題を定式化することである。 我々は,従来の政策によって生成されたサンプルを効率的に活用する,非政治的なGANアーキテクチャ探索アルゴリズムを利用する。
  論文  参考訳（メタデータ） (2020-07-17T18:29:17Z)
• An Introduction to Neural Architecture Search for Convolutional Networks [0.0]
  ニューラルアーキテクチャサーチ(英: Neural Architecture Search、NAS)は、最適化アルゴリズムを利用して最適なニューラルネットワークアーキテクチャを設計する研究分野である。 我々は、畳み込みネットワークのためのNASの基本概念と、探索空間、アルゴリズム、評価技術の大きな進歩について紹介する。
  論文  参考訳（メタデータ） (2020-05-22T09:33:22Z)

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。