HyperAIHyperAI
il y a 2 mois

Évolution régularisée pour la recherche d'architecture de classificateur d'images

Esteban Real; Alok Aggarwal; Yanping Huang; Quoc V Le
Évolution régularisée pour la recherche d'architecture de classificateur d'images
Résumé

Les efforts déployés pour concevoir manuellement des classifieurs d'images basés sur les réseaux de neurones ont motivé l'utilisation de la recherche d'architecture pour les découvrir automatiquement. Bien que les algorithmes évolutionnaires aient été appliqués à plusieurs reprises aux topologies de réseaux de neurones, les classifieurs d'images ainsi découverts sont restés inférieurs à ceux conçus par l'homme. Dans ce travail, nous évoluons un classifieur d'images---AmoebaNet-A---qui dépasse pour la première fois les conceptions manuelles. Pour y parvenir, nous modifions l'algorithme évolutionnaire de sélection par tournoi en introduisant une propriété d'âge afin de favoriser les génotypes plus jeunes. À taille équivalente, AmoebaNet-A présente une précision comparable à celle des modèles ImageNet actuels découverts avec des méthodes de recherche d'architecture plus complexes. À une taille plus grande, AmoebaNet-A établit un nouveau record de précision ImageNet top-5 à 83,9% / 96,6%. Dans une comparaison contrôlée contre un algorithme bien connu d'apprentissage par renforcement, nous apportons des preuves que l'évolution peut obtenir des résultats plus rapidement avec le même matériel informatique, en particulier au début de la recherche. Cela est pertinent lorsque moins de ressources informatiques sont disponibles. Ainsi, l'évolution est une méthode simple et efficace pour découvrir des architectures de haute qualité.

Évolution régularisée pour la recherche d'architecture de classificateur d'images | Articles de recherche récents | HyperAI