相关实验视频
Updated: Jan 7, 2026
08:00
Decoding Natural Behavior from Neuroethological Embedding
Published on: October 3, 2025
548
使用网络嵌入和生成对抗网络的神经架构搜索.
Morteza Yousefi1, Vahid Mehrdad2, Mohammad Bagher Dowlatshahi3
1Department of Electrical Engineering, Faculty of Engineering, Lorestan University, Khorramabad, Iran.
Scientific reports
|December 24, 2025
概括
我们介绍了GNE-NAS,这是一种用于神经架构搜索的新方法,它使用网络嵌入和生成对抗网络来增强数据. 这种方法提高了使用有限数据的代孕模型性能,优于现有方法.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 替代模型通过预测性能来加速神经架构搜索 (NAS),避免昂贵的全面培训.
- 在NAS中为代用模型收集足够的标记数据是一个重要的瓶.
- 现有的NAS方法在有限的数据上扎,以有效的代孕模型培训.
研究的目的:
- 提出GNE-NAS,一个代理辅助的群集优化算法,具有网络嵌入式,用于高效的NAS.
- 通过生成对抗网络来增强数据 (GNE-NAS) 来提高代用模型的性能.
- 为应对在NAS中替代模型培训数据有限的挑战.
主要方法:
- 在嵌入空间中使用无监督学习来有意义地表示神经架构.
- 利用生成对抗网络 (GAN) 进行数据增强,以提高替代模型的稳定性.
- 集成网络嵌入和基于GAN的数据增强在NAS的群集优化框架内.
主要成果:
- 网络嵌入位置结构上类似的架构更接近嵌入空间,帮助代用模型培训.
- 基于GAN的数据增强增强了代用模型的稳定性,并减少了对广泛真实评估的需求.
- 在NASBench搜索空间上的实验结果显示,具有网络嵌入的替代模型的性能可比或优于网络嵌入的替代模型.
结论:
- 在NAS中,GNE-NAS显著提高了代理模型的性能,尤其是在有限的数据的情况下.
- 拟议的方法优于最先进的神经架构搜索算法.
- 网络嵌入和数据增强是增强代理辅助NAS的有效策略.
