EPE-NAS: تقدير الأداء الفعّال دون تدريب لبحث الهيكل العصبي

أظهرت طريقة البحث عن البنية العصبية (NAS) نتائج ممتازة في تصميم الهياكل المعمارية لمشاكل الرؤية الحاسوبية. وتقلل NAS من الحاجة إلى الإعدادات المحددة يدويًا من خلال أتمتة تصميم البنية والهندسة المعمارية. ومع ذلك، تُعد طرق NAS بطيئة في الغالب، نظرًا لاحتياجها إلى كميات كبيرة من الحوسبة على وحدات معالجة الرسوميات (GPU). ويعود هذا العائق بشكل رئيسي إلى استراتيجية تقدير الأداء، التي تتطلب تقييم الهياكل المُنشأة، وغالبًا ما يتم ذلك من خلال تدريب هذه الهياكل لتحديث طريقة العينة. في هذه الورقة، نقترح EPE-NAS، وهي استراتيجية فعالة لتقدير الأداء، تخفف من مشكلة تقييم الشبكات من خلال تقييم الشبكات غير المدربة وإنشاء ارتباط بين أداء هذه الشبكات غير المدربة وأداءها بعد التدريب. نقوم بهذا الإجراء من خلال تحليل الارتباطات داخل الفئة وخارجها في الشبكة غير المدربة. ونُظهر أن EPE-NAS قادرة على إنتاج ارتباط قوي، وأنه عند دمجها مع استراتيجية عينة عشوائية بسيطة، نتمكن من البحث عن شبكات تنافسية دون الحاجة إلى أي تدريب، خلال ثوانٍ معدودة باستخدام وحدة معالجة رسوميات واحدة. علاوة على ذلك، فإن EPE-NAS لا تعتمد على طريقة البحث، نظرًا لأنها تركز على تقييم الشبكات غير المدربة، مما يجعل من السهل دمجها في أي طريقة NAS تقريبًا.