Architecture Search
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.
CIFAR-10
NAT-M4
CIFAR-10 Image Classification
EEEA-Net-C (b=5)+ CO
CIFAR-100
NAT-M4
CINIC-10
NAT-M4
DTD
NAT-M4
FGVC Aircraft
NAT-M4
Food-101
Balanced Mixture
ImageNet
DeepMAD-50M
LIDC-IDRI
NASLung (ours)
MNIST
NAS-Bench-101
FireFly
NAS-Bench-201
Improved FireFly Algorithme
NAS-Bench-201, CIFAR-10
DiNAS
NAS-Bench-201, CIFAR-100
IS-DARTS
NAS-Bench-201, ImageNet-16-120
CR-LSO
NAS-Bench-301
DiNAS
NATS-Bench Size, CIFAR-10
BossNAS
NATS-Bench Size, CIFAR-100
NATS-Bench Size, ImageNet16-120
NATS-Bench Topology, CIFAR-10
NATS-Bench Topology, CIFAR-100
NATS-Bench Topology, ImageNet16-120
GreenMachine-1
Oxford 102 Flowers
NAT-M4
Oxford-IIIT Pet Dataset
NAT-M4
Stanford Cars
NAT-M4
STL-10
NAT-M4