Neuronale Architektursuche
Neural Architecture Search (NAS) ist eine Technik zur Automatisierung des Designs von künstlichen neuronalen Netzen (KNN). Ihr Ziel besteht darin, durch Algorithmen Netzstrukturautomatisch zu erforschen und zu optimieren, um effizientere und komplexere Modellarchitekturen zu entdecken und damit die Leistung und Effektivität von maschinellen Lernaufgaben zu verbessern. Der Anwendungswert von NAS liegt in der Reduzierung der mit manuellem Parameter-Tuning verbundenen Zeitaufwendigkeit sowie in der Steigerung der Effizienz und Genauigkeit des Modelldesigns.
ImageNet
NAT-M4
NAS-Bench-201, ImageNet-16-120
Shapley-NAS
CIFAR-10
NAT-M4
NAS-Bench-201, CIFAR-100
Shapley-NAS
NAS-Bench-201, CIFAR-10
GenNAS
CIFAR-10 Image Classification
EEEA-Net-C (b=5)+ CO
CIFAR-100
DNA-c
NATS-Bench Topology, ImageNet16-120
GreenMachine-1
NATS-Bench Topology, CIFAR-10
NATS-Bench Topology, CIFAR-100
Food-101
Balanced Mixture
NAS-Bench-101
FireFly
NATS-Bench Size, CIFAR-10
BossNAS
NATS-Bench Size, CIFAR-100
CINIC-10
NAT-M4
DTD
NAT-M4
FGVC Aircraft
NAT-M4
NATS-Bench Size, ImageNet16-120
Oxford 102 Flowers
NAT-M4
Oxford-IIIT Pet Dataset
NAT-M4
Stanford Cars
NAT-M4
STL-10
NAT-M4
NAS-Bench-201
Improved FireFly Algorithme
LIDC-IDRI
NASLung (ours)
MNIST
NAS-Bench-301
DiNAS