論文の概要: Consensus-gated Multi-Agent Neural Architecture Search for Seismic Fault Segmentation
- arxiv url: http://arxiv.org/abs/2608.13889v1
- Date: Fri, 14 Aug 2026 02:41:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.253869
- Title: Consensus-gated Multi-Agent Neural Architecture Search for Seismic Fault Segmentation
- Title（参考訳）: 地震断層セグメンテーションのためのコンセンサスゲート型マルチエージェントニューラルアーキテクチャ探索
- Abstract要約: 地震断層セグメンテーションのためのニューラルネットワークは、しばしばコンピュータビジョンや医療画像領域から借用される。
古典的ニューラルアーキテクチャサーチ(NAS)は手作りの検索スペースと大規模な計算予算に限定されている。
本稿では,3つの大規模言語モデル(Claude, GPT-5.1, Gemini2.5Pro)からなるエージェントNASシステムを提案する。
- 参考スコア（独自算出の注目度）: 0.17188280334580194
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural networks for seismic fault segmentation are often borrowed from computer vision and medical imaging domains where they train under relatively much larger labeled data resources. Optimizing their architecture under tight labeled data budgets as are common in geophysical applications is not a trivial problem. Manually designing data-optimal architectures is time-consuming while classical neural architecture search (NAS) is restricted to hand-crafted search spaces and large compute budgets. We present an agentic NAS system in which a panel of three large language models (Claude, GPT-5.1, and Gemini~2.5~Pro) debates each candidate architecture to unanimous consensus, authors the complete PyTorch implementation, cross-reviews it, and submits it to an automated validate-train-score loop with a hard 450K parameter budget, keep-or-revert lineage, and a memory of failed mechanisms. Operating on source code rather than a predefined operation menu, the search ran on a single consumer GPU and trained only eight candidates. It discovered \ours{}: a 425K-parameter encoder-decoder with a strip-pooling bottleneck, squeeze-and-excitation gating, an asymmetric one-conv decoder, and a feature-pyramid fusion neck. Trained under a protocol identical to all baselines on sections derived from the Thebe fault dataset, it attains the highest F1 (0.578) and IoU of all models tested while being the smallest, outperforming a published-capacity U-Net (31M parameters, F1 0.484), DeepLabV3-ResNet50 (39.6M, 0.516), an Attention U-Net(1.83M, 0.502). The search cost 101 LLM calls ($\sim$1.15M input / 0.39M output tokens) and roughly one GPU-day, making consensus-gated LLM panels a practical, low-cost route to domain-specific architecture discovery.
- Abstract（参考訳）: 地震断層セグメンテーションのためのニューラルネットワークは、しばしばコンピュータビジョンや医療画像領域から借用され、比較的大きなラベル付きデータリソースの下で訓練される。
物理アプリケーションで一般的なように、厳密なラベル付きデータ予算の下でアーキテクチャを最適化することは、簡単な問題ではありません。
データ最適化アーキテクチャを手作業で設計するのは時間を要するが、古典的ニューラルネットワークサーチ(NAS)は手作りの検索スペースと大規模な計算予算に限定されている。
本稿では,3つの大規模言語モデル(Claude, GPT-5.1, Gemini~2.5~Pro)からなるエージェントNASシステムを提案する。
事前に定義された操作メニューではなくソースコードで操作することで、検索は1つのコンシューマGPU上で実行され、8つの候補のみをトレーニングした。
彼らは、ストリッププールのボトルネック、圧縮と励起のゲーティング、非対称のワンコンブデコーダ、特徴ピラミド融合ネックを備えた425Kパラメーターエンコーダデコーダである \ours{} を発見した。
Thebeのフォールトデータセットから派生したセクションの全てのベースラインと同一のプロトコルの下で訓練され、最小でテストされた全てのモデルの最高 F1 (0.578) と IoU を達成し、公開容量のU-Net (31Mパラメータ、F1 0.484)、DeepLabV3-ResNet50 (39.6M, 0.516)、注意U-Net (1.83M, 0.502) を上回った。
検索コスト101 LLMは($1.15Mの入力/0.39Mの出力トークン)と約1回のGPU-dayをコールし、コンセンサス付きLCMパネルを実用的で低コストでドメイン固有のアーキテクチャ発見へのルートとする。
関連論文リスト
- Transformer-Guided Swarm Intelligence for Frugal Neural Architecture Search [0.0]
本稿では,消費者階級のハードウェア上でのアーキテクチャ設計を民主化するためのフラガアルでメメティックなニューラルアーキテクチャ探索フレームワークを提案する。
提案手法は,RL(Reinforcement Learning)を用いて訓練された自己回帰トランスフォーマーコントローラのグローバルマクロ検索機能と,ABC(Artificial Bee Colony)アルゴリズムの局所的マイクロエクスロテーションを組み合わせたものである。
我々のフレームワークは、エッジデプロイメントに適した、カスタマイズされた、アクセス可能で、パラメータ効率の高いディープラーニングモデルを提供できることを示す。
論文 参考訳（メタデータ） (2026-07-13T17:18:24Z) - Omni-SimpleMem: Autoresearch-Guided Discovery of Lifelong Multimodal Agent Memory [76.63021613850093]
我々は、生涯にわたるAIエージェントのための統合マルチモーダルメモリフレームワークであるOmni-SimpleMemを発見するために、自律的な研究パイプラインをデプロイする。
システムは2つのベンチマークで最先端を実現し、LoCoMoではF1を+411%改善し、Mem-Galleryでは+214%向上した。
本稿では,6種類の発見型を分類し,特に自動検索に適したマルチモーダルメモリを実現する4つの特性を同定する。
論文 参考訳（メタデータ） (2026-04-01T15:06:23Z) - Resource-Efficient Iterative LLM-Based NAS with Feedback Memory [49.44875022114861]
ニューラルアーキテクチャサーチ(NAS)はネットワーク設計を自動化するが、従来の手法ではかなりの計算資源を必要とする。
本稿では,大規模言語モデル(LLM)を活用して,畳み込みニューラルネットワークアーキテクチャを反復的に生成し,評価し,洗練するクローズドループパイプラインを提案する。
論文 参考訳（メタデータ） (2026-03-12T16:00:22Z) - Regression Language Models for Code [13.53022663049873]
単一の統一回帰言語モデル(RLM)がテキストから直接同時に予測可能であることを示す。
5つの古典的NAS設計空間において、RLMが平均平均である0.46のKendall-Tauを得ることができることを示す。
論文 参考訳（メタデータ） (2025-09-30T16:25:23Z) - 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) - EAutoDet: Efficient Architecture Search for Object Detection [110.99532343155073]
EAutoDetフレームワークは、1.4GPU日でオブジェクト検出のための実用的なバックボーンとFPNアーキテクチャを検出できる。
本稿では,一方のエッジ上での候補演算の重みを共有し,それらを一つの畳み込みに集約することでカーネル再利用手法を提案する。
特に、発見されたアーキテクチャは最先端のオブジェクト検出NAS法を超越し、120 FPSで40.1 mAP、49.2 mAP、41.3 FPSをCOCOテストデブセットで達成している。
論文 参考訳（メタデータ） (2022-03-21T05:56:12Z) - OPANAS: One-Shot Path Aggregation Network Architecture Search for Object
Detection [82.04372532783931]
近年、ニューラルアーキテクチャサーチ (NAS) が特徴ピラミッドネットワーク (FPN) の設計に活用されている。
本稿では,探索効率と検出精度を大幅に向上させる,ワンショットパス集約ネットワークアーキテクチャ探索(OPANAS)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T01:48:53Z) - Fine-Grained Stochastic Architecture Search [6.277767522867666]
Fine-Grained Architecture Search (FiGS) は、より大きな候補アーキテクチャの集合を探索する微分可能な検索手法である。
FiGSは、構造化スパース正規化ペナルティを適用して、検索空間内の演算子を同時に選択・変更する。
既存の3つの検索空間にまたがって結果を示し、元の検索アルゴリズムのマッチングや性能を向上する。
論文 参考訳（メタデータ） (2020-06-17T01:04:14Z) - DC-NAS: Divide-and-Conquer Neural Architecture Search [108.57785531758076]
本稿では,ディープ・ニューラル・アーキテクチャーを効果的かつ効率的に探索するためのディバイド・アンド・コンカ(DC)手法を提案する。
ImageNetデータセットで75.1%の精度を達成しており、これは同じ検索空間を使った最先端の手法よりも高い。
論文 参考訳（メタデータ） (2020-05-29T09:02:16Z) - A CNN-LSTM Quantifier for Single Access Point CSI Indoor Localization [9.601632184687787]
本稿では,Wi-Fiフィンガープリンティング屋内ローカライゼーションのための畳み込みニューラルネットワーク(CNN)と長寿命メモリ(LSTM)量子化器(LSTM)を組み合わせたネットワーク構造を提案する。
WiFiルータを1つだけ使うと、平均局所化誤差が2.5mで、4m未満の誤差は$mathrm80%である。
論文 参考訳（メタデータ） (2020-05-13T16:54:31Z)
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。