抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ニューラルアーキテクチャ検索(NAS)は,効果的な画像処理DNN設計の自動化のための強力なツールである。ランキングは,NASのための効率的な性能予測器を設計するために提唱された。以前のコントラスト法は,アーキテクチャのペアを比較し,それらの相対性能を予測することによりランキング問題を解決する。しかし,2つの関連アーキテクチャ間のランキングに焦点を合わせ,探索空間の全体的品質分布を無視し,それは一般化問題を被る可能性がある。特定アーキテクチャの大域的品質階層に集中する神経アーキテクチャRanker(NAR)の予測子を提案し,局所展望に起因するそのような問題に取り組んだ。NARは探索空間の品質段階を大域的に探索し,各個体をその大域的ランキングに従って分類する。したがって,予測子は検索空間の性能分布の知識を獲得し,データセットへのランキング能力をより容易に一般化するのを助ける。一方,グローバル品質分布は,検索アルゴリズム,例えば,強化学習(RL)または進化アルゴリズム(EA)を訓練しない,品質階層の統計に従って,直接サンプリング候補によって探索相を容易にし,このように,それは,NASパイプラインを単純化し,そして,計算オーバヘッドを節約した。提案したNARは,NAS研究に対する2つの広く使われているデータセットに対して最先端の方法よりも優れた性能を達成した。NAS-Bench-101の広大な探索空間において,NARは,サンプリングによってのみトップ0.01ユニコードx2030性能を有するアーキテクチャを容易に発見する。また,それらは,それらのそれぞれの最適アーキテクチャを同定することによって,NAS-Bench-201,すなわちCIFAR-10,CIFAR-100,およびImageNet-16-120の種々の画像データセットを一般化する。【JST・京大機械翻訳】