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。
現代のニューラルネットワークで優れた性能を達成するために,正しいネットワークアーキテクチャは重要である。ニューラルアーキテクチャ検索(NAS)は,タスク特有のネットワークアーキテクチャの自動発見に関係する。最新のNAS手法は,サブネットワークが候補ニューラルネットワークアーキテクチャを符号化するスーパーネットワークを利用する。これらのサブネットワークを同時に訓練し,スクラッチから各ネットワークを訓練する必要性を除去し,それによってNASの効率を高めた。ニューラルアーキテクチャ転送(NAT)と呼ばれる最近の方法は,画像Net上で事前訓練されたスーパーネットワークの高品質サブネットワークを見つけるための多目的進化アルゴリズムを用いることにより,コンピュータビジョンタスクに対するNASの効率をさらに改善する。NATで構築して,ENCAS-Evolutional Neural Cascade検索を導入した。ENCASは,異なるニューラルネットワークアーキテクチャのカスケードのトレードオフフロントを達成するために,多重事前訓練スーパーネットワークを探索するために使用でき,FLOP数を最小化する間,精度を最大化する。一般的コンピュータビジョンベンチマーク(CIFAR-10,CIFAR-100,ImageNet)上でENCASをテストし,以前の最先端のNASモデルに対して1.5GFLOPsまでのパレート優位性を達成した。さらに,ENCASを518の公的に利用可能なImageNet分類器のプールに適用することは,すべての計算体制においてPareto優位をもたらし,88.6%から89.0%まで最大精度を増加して,362から296GFLOPsまでの計算努力の18%の減少を伴った。著者らのコードはhttps://github.com/AwesomeLemon/ENCASで利用可能である。【JST・京大機械翻訳】
