論文の概要: NepScript Genesis: Neural Architecture Search for Handwritten Devanagari Digit Synthesis

• arxiv url: http://arxiv.org/abs/2608.29540v1
• Date: Sun, 30 Aug 2026 04:07:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.993597
• Title: NepScript Genesis: Neural Architecture Search for Handwritten Devanagari Digit Synthesis
• Title（参考訳）: NepScript Genesis:手書きデバナガリジギット合成のためのニューラルネットワーク検索
• Abstract要約: NepScript Genesis(ネップスクリプト・ジェネシス)は、Devanagariの手書き桁合成に適用されるGAN(Generative Adversarial Network)の自動検出のためのフレームワークである。 我々は、慎重に構築されたGANベースラインに対して、5つのNAS戦略を比較した。 その結果,適応探索が最適品質・効率トレードオフを実現することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces NepScript Genesis, a Neural Architecture Search (NAS) framework for automated Generative Adversarial Network (GAN) discovery, applied to conditional Devanagari handwritten digit synthesis. We compare five NAS strategies against a carefully constructed Deep Convolutional GAN (DCGAN) baseline (FID=332.28). Architecture selection utilizes a two-stage pipeline guided by a novel domain-aware evaluation metric (Enhanced Score). Results demonstrate that Adaptive Exploration achieves the optimal quality-efficiency trade-off, attaining an FID of 79.12 -- a 76.19% improvement over the baseline -- and the highest mode coverage among the NAS strategies (Recall=0.531) in under one GPU-hour. Furthermore, we demonstrate that incorporating script-specific structural heuristics into the search phase prevents early-stage mode collapse. In a downstream low-resource evaluation, augmenting 250 real training samples per class with GAN-generated digits from the best NAS model improves CNN classification accuracy from 91.0% to 96.5% (+5.5 percentage points), demonstrating that NAS-optimized synthesis produces digits of sufficient quality to benefit practical recognition pipelines when real data is scarce.
• Abstract（参考訳）: 本稿では,GAN(Generative Adversarial Network)の自動検出のためのニューラルネットワーク検索(NAS)フレームワークであるNepScript Genesisを,条件付きデバナガリ手書き桁合成に適用する。 我々は、慎重に構築されたDeep Convolutional GAN(DCGAN)ベースライン(FID=332.28)に対して、5つのNAS戦略を比較する。 アーキテクチャの選択は、新しいドメイン認識評価指標(Enhanced Score)によってガイドされる2段階のパイプラインを利用する。 その結果、Adaptive Explorationは、ベースラインよりも76.19%向上した79.12のFIDと、NAS戦略(リコール=0.531)の最高モードカバレッジを1GPU時間以内で達成し、最適な品質と効率のトレードオフを達成することを示した。 さらに,スクリプト固有の構造的ヒューリスティックを検索フェーズに組み込むことで,初期モードの崩壊を防止できることを示す。 下流の低リソース評価では、最高のNASモデルからGAN生成した桁でクラス毎に250個の実トレーニングサンプルを増設することで、CNN分類の精度が91.0%から96.5%(+5.5ポイント)向上し、NAS最適化合成は、実際のデータが不足している場合に実用的な認識パイプラインの恩恵を受けるのに十分な品質の桁を生成することを示した。

関連論文リスト

• Towards Code-Oriented LM Embeddings for Surrogate-Assisted Neural Architecture Search [0.0]
  本稿では,言語モデル(LM)の帰納バイアスを利用してこれらのオーバーヘッドを解消する,低コストな埋め込み戦略を提案する。 NAS-Bench-201とeinspace検索空間の実験により、生コード入力は他のテキストベースの符号化よりも高い予測性能が得られることが明らかになった。
  論文  参考訳（メタデータ） (2026-05-15T06:07:25Z)
• Evolutionary Neural Architecture Search with Dual Contrastive Learning [17.587401259123855]
  本稿では,2段階のコントラスト学習を用いたニューラル予測学習手法であるDCL-ENASについて紹介する。 実世界のECG不整脈分類タスクでは、DCL-ENASは手作業で設計した非NASモデルよりも約2.5ポイントの性能を向上させる。
  論文  参考訳（メタデータ） (2025-12-23T07:15:38Z)
• Evolutionary Neural Architecture Search for 3D Point Cloud Analysis [0.6378824981027466]
  本稿では, 連続点干渉次元探索(SHSADE-PIDS)を用いた成功史に基づく自己適応微分進化法を提案する。 SHSADE-PIDSは、離散的なディープニューラルネットワークアーキテクチャを連続空間にエンコードし、効率的なポイントクラウドニューラルネットワークアーキテクチャのための連続空間での探索を実行する進化的NASフレームワークである。 挑戦的な3Dセグメンテーションと分類ベンチマークに関する総合的な実験は、SHSADE-PIDSの機能を示している。
  論文  参考訳（メタデータ） (2024-08-10T13:41:18Z)
• TG-NAS: Generalizable Zero-Cost Proxies with Operator Description Embedding and Graph Learning for Efficient Neural Architecture Search [1.7356500114422735]
  TG-NASは汎用的なモデルベースのゼロコストプロキシで、Transformerベースの演算子埋め込みジェネレータとGraph Convolutional Network(GCN)を組み合わせてアーキテクチャのパフォーマンスを予測する。 探索効率を最大300倍改善し、NAS-Bench-201で93.75%のCIFAR-10精度、DARTS空間で74.9%のImageNet Top-1精度を実現した。
  論文  参考訳（メタデータ） (2024-03-30T07:25:30Z)
• DCP-NAS: Discrepant Child-Parent Neural Architecture Search for 1-bit CNNs [53.82853297675979]
  バイナリ重みとアクティベーションを備えた1ビット畳み込みニューラルネットワーク(CNN)は、リソース制限された組み込みデバイスの可能性を示している。 自然なアプローチの1つは、NASの計算とメモリコストを削減するために1ビットCNNを使用することである。 本稿では,1ビットCNNを効率的に探索するためにDCP-NAS(Disrepant Child-Parent Neural Architecture Search)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T11:28:29Z)
• DiffusionNAG: Predictor-guided Neural Architecture Generation with Diffusion Models [56.584561770857306]
  本研究では拡散モデルに基づく新しい条件付きニューラルネットワーク生成(NAG)フレームワークDiffusionNAGを提案する。 具体的には、ニューラルネットワークを有向グラフとみなし、それらを生成するためのグラフ拡散モデルを提案する。 本研究では,2つの予測型NAS(Transferable NAS)とベイズ最適化(BO)に基づくNAS(Bayesian Optimization)の2つのシナリオにおいて,DiffusionNAGの有効性を検証する。 BOベースのアルゴリズムに統合されると、DiffusionNAGは既存のBOベースのNASアプローチ、特にImageNet 1Kデータセット上の大規模なMobileNetV3検索スペースよりも優れている。
  論文  参考訳（メタデータ） (2023-05-26T13:58:18Z)
• NAR-Former: Neural Architecture Representation Learning towards Holistic Attributes Prediction [37.357949900603295]
  本稿では,属性の全体的推定に使用できるニューラルネットワーク表現モデルを提案する。 実験の結果,提案するフレームワークは,セルアーキテクチャとディープニューラルネットワーク全体の遅延特性と精度特性を予測できることがわかった。
  論文  参考訳（メタデータ） (2022-11-15T10:15:21Z)
• 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)
• Data-Free Neural Architecture Search via Recursive Label Calibration [34.84457903882755]
  本稿では,事前学習モデルのみを用いたニューラルネットワーク探索の実現可能性を検討することを目的としている。 まず、トレーニング済みのディープニューラルネットワークから知識を回復することで、使用可能なデータを合成する。 我々は提案するフレームワークをDARTS, ProxylessNAS, SPOSの3つの一般的なNASアルゴリズムでインスタンス化する。
  論文  参考訳（メタデータ） (2021-12-03T18:53:16Z)
• BaLeNAS: Differentiable Architecture Search via the Bayesian Learning Rule [95.56873042777316]
  近年,微分可能なアーキテクチャ探索 (DARTS) が注目されている。 本稿では,アーキテクチャ重みをガウス分布に緩和することにより,ニューラルネットワーク探索を分布学習問題として定式化する。 ベイズ主義の原理から異なるNASがいかに恩恵を受け、探索を強化し、安定性を向上するかを実証する。
  論文  参考訳（メタデータ） (2021-11-25T18:13:42Z)
• 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)
• DDPNAS: Efficient Neural Architecture Search via Dynamic Distribution Pruning [135.27931587381596]
  DDPNASと呼ばれる効率よく統一されたNASフレームワークを提案する。 検索空間は動的に切断され,その分布はいくつかのエポック毎に更新される。 提案した効率的なネットワーク生成手法により,与えられた制約に対する最適なニューラルネットワークアーキテクチャを直接取得する。
  論文  参考訳（メタデータ） (2019-05-28T06:35:52Z)

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。