Un algoritmo evolutivo multiobjetivo basado en la bipoblación con muestreo uniforme para la búsqueda de arquitectura...

Área de la Ciencia:

• La inteligencia artificial es inteligencia artificial.
• Aprendizaje automático Aprendizaje automático.
• Ciencias de la computación Ciencias de la computación

Sus antecedentes:

• La Búsqueda de Arquitectura Neural (NAS) automatiza el diseño de redes neuronales, pero se enfrenta a desafíos en la optimización de múltiples objetivos como la precisión y la complejidad.
• Los métodos NAS existentes a menudo carecen de diversidad de población y una exploración espacial de búsqueda adecuada, especialmente en regiones complejas.

Objetivo del estudio:

• Proponer un nuevo algoritmo evolutivo multiobjetivo (MOEA) -BUS para NAS que optimice simultáneamente la precisión y la complejidad de las redes neuronales.
• Mejorar la eficiencia y efectividad de los NAS mejorando la diversidad de la población y la cobertura del espacio de búsqueda.

Principales métodos:

• Desarrolló MOEA-BUS, un algoritmo evolutivo multiobjetivo que utiliza un marco de bipopulación y un nuevo método de muestreo uniforme para la inicialización de la población.
• Evolución sinérgica implementada entre dos poblaciones para garantizar una cobertura completa del espacio de búsqueda.
• Realizó experimentos en conjuntos de datos CIFAR-10 e ImageNet para evaluar el rendimiento.

Principales resultados:

• MOEA-BUS logró una precisión superior del 98.39% en CIFAR-10 y del 80.03% en ImageNet.
• Logró una precisión del 78.28% en ImageNet con una baja complejidad de red de 446 M MAdds.
• Los estudios de ablación confirmaron que el muestreo uniforme y los mecanismos de bipoblación mejoran significativamente la diversidad de la población y el rendimiento general.

Conclusiones:

• MOEA-BUS optimiza efectivamente tanto la precisión como la complejidad de la red en NAS, superando a los métodos existentes.
• Las estrategias de muestreo uniforme y de bipoblación propuestas son cruciales para mejorar la diversidad y el rendimiento en NAS.
• El algoritmo demuestra un gran potencial para el diseño de redes neuronales eficientes y de alto rendimiento.