論文の概要: Efficient Leakage-Free Neural Architecture Search under Leave-One-Subject-Out Evaluation

• arxiv url: http://arxiv.org/abs/2609.09433v1
• Date: Tue, 08 Sep 2026 20:33:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.814281
• Title: Efficient Leakage-Free Neural Architecture Search under Leave-One-Subject-Out Evaluation
• Title（参考訳）: 残余1オブジェクトアウト評価における効率的な漏れのないニューラルネットワーク探索
• Authors: Heinke Hihn,
• Abstract要約: 本稿では,ニューラルネットワーク検索を対象物間で共有する,漏れのないブロックベースのアプローチを提案する。 BioVid Heat Painデータセットでは、平均精度は82.79%から83.39%に向上し、パラメータの数を99.2%まで削減した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Leave-One-Subject-Out (LOSO) evaluation estimates generalisation performance for subject-based classification but makes Neural Architecture Search (NAS) computationally expensive because a fully nested implementation requires N independent architecture searches and, assuming approximately linear training cost, scales as O(N^2). We propose a leakage-free, block-based approach that shares NAS runs across subjects. On the BioVid Heat Pain dataset, our approach increased the mean accuracy from 82.79% to 83.39% while reducing the number of parameters by up to 99.2%.
• Abstract（参考訳）: LOSO (Leave-One-Subject-Out) 評価では、主観的分類の一般化性能を見積もっているが、完全にネストされた実装では、N個の独立したアーキテクチャサーチが必要であり、ほぼ線形トレーニングコストを仮定すると、O(N^2)としてスケールするので、ニューラルネットワークサーチ(NAS)を計算的に高価にする。 被験者間でNASを共有する,漏れのないブロックベースの手法を提案する。 BioVid Heat Painデータセットでは、平均精度は82.79%から83.39%に向上し、パラメータの数を99.2%まで削減した。

関連論文リスト

• W-PCA Based Gradient-Free Proxy for Efficient Search of Lightweight Language Models [2.0033725235099986]
  軽量言語モデルに適したゼロショットNAS法である重み付きPCA(W-PCA)を提案する。 我々はGLUEとSQuADデータセットの比較分析を行い、我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-22T15:33:01Z)
• 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)
• Accelerating Multi-Objective Neural Architecture Search by Random-Weight Evaluation [24.44521525130034]
  我々は,CNNの品質を定量化するために,RWE(Random-Weight Evaluation)と呼ばれる新しい性能評価指標を導入する。 RWEは最後の層のみをトレーニングし、残りの層をランダムに重み付けする。 提案手法は,2つの実世界の探索空間における最先端性能を持つ効率的なモデルの集合を求める。
  論文  参考訳（メタデータ） (2021-10-08T06:35:20Z)
• Homogeneous Architecture Augmentation for Neural Predictor [13.35821898997164]
  ニューラル・アーキテクチャ・サーチ(NAS)は、手前のタスクのためにディープ・ニューラル・ニューラルネットワーク(DNN)の優れたアーキテクチャを自動で設計することができる。 NASのボトルネックの1つは、高価な性能評価のため、計算コストである。 その人気にもかかわらず、それらは、神経予測器を効果的に訓練するための注釈付きDNNアーキテクチャの不足という、深刻な制限を被っている。
  論文  参考訳（メタデータ） (2021-07-28T03:46:33Z)
• BossNAS: Exploring Hybrid CNN-transformers with Block-wisely Self-supervised Neural Architecture Search [100.28980854978768]
  BossNAS(Block-wisely Self-supervised Neural Architecture Search)の紹介 探索空間をブロックに分類し、アンサンブルブートストラッピングと呼ばれる新しい自己教師型トレーニングスキームを用いて各ブロックを個別に訓練する。 また,検索可能なダウンサンプリング位置を持つファブリック型cnnトランスフォーマ検索空間であるhytra search spaceを提案する。
  論文  参考訳（メタデータ） (2021-03-23T10:05:58Z)
• ROME: Robustifying Memory-Efficient NAS via Topology Disentanglement and Gradient Accumulation [106.04777600352743]
  微分可能なアーキテクチャサーチ(DARTS)は、スーパーネット全体がメモリに格納されているため、メモリコストが大幅に低下する。 シングルパスのDARTSが登場し、各ステップでシングルパスのサブモデルのみを選択する。 メモリフレンドリーだが、計算コストも低い。 RObustifying Memory-Efficient NAS (ROME) と呼ばれる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-23T06:34:07Z)
• Evaluating Efficient Performance Estimators of Neural Architectures [17.80483885195404]
  ワンショット推定器(OSEs)は、すべてのアーキテクチャ間で1つの"スーパーネット"のパラメータを共有することで、アーキテクチャのトレーニングコストを減らします。 近年,ゼロショット推定器 (ZSE) が提案され, アーキテクチャ評価コストの低減が図られている。 これらの推定器の高効率性にもかかわらず、そのような推定の質は十分に研究されていない。
  論文  参考訳（メタデータ） (2020-08-07T09:56:54Z)
• DrNAS: Dirichlet Neural Architecture Search [88.56953713817545]
  ディリクレ分布をモデルとした連続緩和型混合重みをランダム変数として扱う。 最近開発されたパスワイズ微分により、ディリクレパラメータは勾配に基づく一般化で容易に最適化できる。 微分可能なNASの大きなメモリ消費を軽減するために, 単純かつ効果的な進行学習方式を提案する。
  論文  参考訳（メタデータ） (2020-06-18T08:23:02Z)

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。