Großskalige Evolution von Bildklassifizierern

Neuronale Netze haben sich als effektiv bei der Lösung schwieriger Probleme erwiesen, aber das Design ihrer Architekturen kann selbst für Bildklassifizierungsprobleme herausfordernd sein. Unser Ziel ist es, die menschliche Beteiligung zu minimieren, daher verwenden wir evolutionäre Algorithmen, um solche Netze automatisch zu entdecken. Trotz hoher rechnerischer Anforderungen zeigen wir, dass es nun möglich ist, Modelle mit Genauigkeiten im Bereich jener zu entwickeln, die in den letzten Jahren veröffentlicht wurden. Insbesondere setzen wir einfache evolutionäre Techniken in einem bisher unerreichten Maßstab ein, um Modelle für die Datensätze CIFAR-10 und CIFAR-100 zu entdecken. Aus einfachen Anfangsbedingungen erreichen diese Modelle Genauigkeiten von 94,6 % (95,6 % für Ensembles) und 77,0 % respektive. Dazu verwenden wir neuartige und intuitive Mutationsoperatoren, die große Suchräume durchsuchen können; wir betonen, dass nach dem Start der Evolution keine menschliche Beteiligung erforderlich ist und dass das Ergebnis ein vollständig trainiertes Modell ist. In dieser Arbeit legen wir besonderen Wert auf die Wiederholbarkeit der Ergebnisse, die Variabilität der Ausgänge und die rechnerischen Anforderungen.