美文网首页
ICLR 2020 | 神经网络架构搜索(NAS)论文推荐202

ICLR 2020 | 神经网络架构搜索(NAS)论文推荐202

作者: 学术头条 | 来源:发表于2020-05-15 16:34 被阅读0次

    ICLR 2020 线上会议已经圆满结束。此次会议关于NAS的研究主题包括对benchmark的探讨、对于流行的NAS方法的理解和分析,以及如何提高NAS方法的精度和效率等。值得一提的是,此届会议举办了ICLR历史上的第一个神经网络架构搜索(NAS)的Workshop(https://sites.google.com/view/nas2020/home),充分体现出NAS正成为越来越热门的神经网络研究方向。

    此文列出以下十篇ICLR 2020 上关于NAS的经典文章供大家学习参考!

    1. NAS-Bench-201: Extending the Scope of Reproducible Neural Architecture Search

    作者:Xuanyi Dong, Yi Yang

    本文是University of Technology Sydney和百度研究团队的合作研究成果。近年来伴随着NAS的大火,NAS的研究方法也层出不穷,但是对于各种方法的比较没有严格的基准。此篇文章致力于设立统一的基准(benchmark)用于不同NAS方法的比较。另外,虽然NAS可以自动搜索表现较好的模型,但是搜索的成本较高,尤其是是评估不同网络结构训练的成本。因此,此篇论文提供了15625个不同网络结构在三个数据集上的的训练的信息,有利于研究工作者避免繁琐重复的训练。

    2. NAS-Bench-1Shot1: Benchmarking and Dissecting One-shot Neural Architecture Search

    作者:Arber Zela, Julien Siems, Frank Hutter

    作者来自University of Freiburg和Bosch AI. 此篇论文与上篇论文在研究目的上具有较大的相似,上篇论文spotlight,这篇论文被选为poster. 因此在此对于这篇文章不做过多的总结。

    1. NAS evaluation is frustratingly hard

    作者:Antoine Yang, Pedro M. Esperança, Fabio M. Carlucci

    后两位作者来自Huawei Noah’s Ark Lab该篇论文提供了8种NAS方法在5个数据集上的评估基准(benchmark),研究发现现有的NAS方法并没有比随机生成的网络结构具有显著的优势。

    1. Understanding Architectures Learnt by Cell-based Neural Architecture Search

    作者:Yao Shu, Wei Wang, Shaofeng Cai

    作者来自新加坡国立大学。研究发现现有的一些流行的NAS方法的cell structure大多呈现如下结构:

    1-.png

    原因在于此种结构具有平稳的loss landscape以及快速的收敛性,如下图所示:

    2-.png
    1. Understanding and Robustifying Differentiable Architecture Search

    作者:Arber Zela, Thomas Elsken, Tonmoy Saikia, Yassine Marrakchi, Thomas Brox, Frank Hutter

    此篇论文认为DARTS可微网络结构搜索对于一些新的数据集没有表现出稳健的结果。原因在于DARTS对于valid dateset过度拟合。因此,研究提供了一些解决方案。

    1. Evaluating the Search Phase of Neural Architecture Search

    作者:Christian Sciuto, Kaicheng Yu, Martin Jaggi, Claudiu Musat, Mathieu Salzmann

    研究发现流行的NAS方法比如DARTS, ENAS和随机的网络结构具有相似的performance。研究发现weight sharing是减弱这些流行方法的performance的一个原因。

    1. PC-DARTS: Partial Channel Connections for Memory-Efficient Architecture Search

    作者:Yuhui Xu, Lingxi Xie, Xiaopeng Zhang, Xin Chen, Guo-Jun Qi, Qi Tian, Hongkai Xiong

    作者来自上海交通大学和华为诺亚方舟实验室,同济大学和Futurewei Technologies。本篇论文为spotlight。研究目的在于提高DARTS的训练和内存的有效性(efficiency)。

    1. AtomNAS: Fine-Grained End-to-End Neural Architecture Search

    作者:Jieru Mei, Yingwei Li, Xiaochen Lian, Xiaojie Jin, Linjie Yang, Alan Yuille, Jianchao Yang

    作者来自约翰霍普金斯大学和字节跳动公司。此项研究的贡献在于增大了NAS的搜索空间(search space),以取得更高的精度。不同于DARTS有搜索和评估两个阶段,这篇文章NAS方法只有end-to-end这一个阶段。

    1. Once for All: Train One Network and Specialize it for Efficient Deployment

    作者:Han Cai, Chuang Gan, Tianzhe Wang, Zhekai Zhang, Song Han

    作者来自MIT韩松团队。这篇论文主要内容是通过训练和搜索一种once for all的超级网络,以支持不同的硬件平台设施。

    (关于本篇论文更多的信息参见“MIT 韩松专访:Once for All 神经网络高效适配不同硬件平台

    1. FasterSeg: Searching for Faster Real-time Semantic Segmentation

    作者:Wuyang Chen, Xinyu Gong, Xianming Liu, Qian Zhang, Yuan Li, Zhangyang Wang

    本篇论文将DARTS用于real-time的图像分割上。发现网络结构collapse的问题。解决方法为加入一些正则项(regularization term)。

    相关阅读:

    ICLR 2020 | 知识图谱推理框架:基于向量空间的推理和数值逻辑推理

    ICLR 2020 | PairNorm: Tackling Oversmoothing in GNNs

    ICLR 2020 | 预训练图神经网络模型

    ICLR 2020 | 探索新的图表征学习思路

    ICLR 2020 | NLP预训练模型的全新范式:对比学习

    ICLR 2020 | 互信息视角下的表征学习

    ICLR 2020 | 反事实因果理论如何帮助深度学习?

    ICLR 2020 | 浅谈GNN:能力与局限

    ICLR 2020 | 一种高效、表达能力强的可微分归纳逻辑推理模型

    ICLR 2020 | 基于谱方法的高效多级图嵌入框架

    ICLR 2020 满分论文解读| 一种镜像生成式机器翻译模型:MGNMT

    相关文章

      网友评论

          本文标题:ICLR 2020 | 神经网络架构搜索(NAS)论文推荐202

          本文链接:https://www.haomeiwen.com/subject/hqacohtx.html