文献

J-GLOBAL ID：202002280578077117   整理番号：20A1750559

HyperSTAR:深層ネットワークのためのタスクを意識したハイパーパラメータ【JST・京大機械翻訳】

HyperSTAR: Task-Aware Hyperparameters for Deep Networks

著者 (6件)： Mittal Gaurav (Microsoft) ,  Liu Chang (Northeastern University) ,  Karianakis Nikolaos (Microsoft) ,  Fragoso Victor (Microsoft) ,  Chen Mei (Microsoft) ,  Fu Yun (Northeastern University)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： CVPR  ページ： 8733-8742  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 深いニューラルネットワークは視覚認識タスクを解決する際に優れているが,それらは最適に働くハイパーパラメータを見つけるための重要な努力を必要とする。ハイパーパラメータ最適化(HPO)手法は良好なハイパーパラメータを見つけるプロセスを自動化するが,与えられたタスク(タスク診断)には適応せず,それらを計算的に非効率にする。HPO時間を減らすために,著者らは,深いニューラルネットワークのためにHPOを暖めるためのタスク意識方式であるHyperSTAR(タスクアウェアハイパーパラメータ推薦のためのシステム)を提示した。ハイパーSTARランクは,共同データセット-ハイパーパラメータ空間で調整した性能を予測することによって,ハイパーパラメータを推奨した。それは,エンドツーエンド方式で生の画像から直接性能予測子とともにデータセット(タスク)表現を学習する。既存のHPO法と統合したとき,推薦は,タスクを意識し,最適性能を達成するために時間を著しく短縮する。2つの異なるネットワークアーキテクチャ上の10の公的に利用可能な大規模画像分類データセットに関する広範な実験を行い,HyperSTARが既存の方法と比較して最良の性能を達成するために50%少ない構成を評価した。さらに,HyperSTARはハイパーバンド(HB)タスクを意識し,バニラHBとベイジアン最適化HB(BOHB)の両方に必要な予算のちょうど25%で最適精度を達成することを実証した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  自動化 ,  *ネットワーク ,  ニューラルネットワーク ,  バニラ ,  視認 ,  エンドツーエンド方式 ,  深層 ,  ネットワークアーキテクチャ
準シソーラス用語： 画像分類 ,  性能予測 ,  *ハイパーパラメータ , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 深層 ,  タスク ,  意識 ,  ハイパーパラメータ