良好的性能估计策略是神经架构搜索中所需要的全部
IEEE transactions on pattern analysis and machine intelligence
|November 5, 2025
概括
这项研究挑战了肯德尔对评估神经架构搜索 (NAS) 性能估计 (PE) 的 τ . 引入了一个新的标准,即最小保持比率 (MKR),这导致了一个简单但有效的NAS方法,可以找到最佳架构.
科学领域:
- 人工智能的人工智能
- 计算机科学 计算机科学
背景情况:
- 神经架构搜索 (NAS) 依赖性能估计 (PE) 来评估架构.
- 肯德尔的t是评估PE策略的标准指标,但它的最佳性受到质疑.
研究的目的:
- 在NAS中批判性地分析肯德尔的t对于PE.
- 提出一个新的标准,最低保持比率 (MKR),用于评估PE策略.
- 根据新标准开发一个改进的NAS方法.
主要方法:
- 进行了理论分析和广泛的实验来评估肯德尔的 τ.
- 开发和应用了最低保留比率 (MKR) 标准.
- 通过将PE策略与随机抽样结合起来,得出了一个简单的NAS方法.
主要成果:
- 肯德尔的t被发现在评估PE策略时不够理想.
- MKR 标准为比较 PE 方法提供了一个统一的视角.
- 拟议的简单随机抽样NAS方法在多个基准 (NASbenchMacro,NASbench201,NASbench301) 上取得了最先进的结果.
- 该方法对不同的搜索空间 (MobileNet) 和任务 (语义细分) 进行了概括,在ADE20K上实现了卓越的性能.
结论:
- 最低保留比率 (MKR) 是评估NAS中PE策略的更有原则和更有效的标准.
- 简单的随机抽样NAS方法整合PE策略,证明了高效率和有效性.
- 拟议的方法实现了最先进的结果,并且可以在各种NAS任务和搜索空间中很好地概括.
更多相关视频
06:57Utilizing Electroencephalography Measurements for Comparison of Task-Specific Neural Efficiencies: Spatial Intelligence Tasks
Published on: August 9, 2016
11.9K
06:33Author Spotlight: Streamlined Brain and Skull Modeling for Enhanced Neurosurgical Planning in NHP Research
Published on: February 9, 2024
1.7K
