Recherche d'Architecture Neuronale
La recherche d'architecture neuronale (Neural Architecture Search, NAS) est une technique visant à automatiser la conception des réseaux de neurones artificiels (Artificial Neural Networks, ANN). Son objectif est d'explorer et d'optimiser automatiquement les structures de réseau à l'aide d'algorithmes pour découvrir des architectures de modèles plus efficaces et complexes, ce qui améliore ainsi les performances et l'efficacité des tâches d'apprentissage automatique. La valeur ajoutée du NAS réside dans la réduction du temps consacré au réglage manuel des paramètres, ainsi que dans l'amélioration de l'efficacité et de la précision de la conception des modèles.
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