Multiobjective Evolution for Convolutional Neural Network Architecture Search

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F20%3A00534830" target="_blank" >RIV/67985807:_____/20:00534830 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-030-61401-0_25" target="_blank" >http://dx.doi.org/10.1007/978-3-030-61401-0_25</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-61401-0_25" target="_blank" >10.1007/978-3-030-61401-0_25</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Multiobjective Evolution for Convolutional Neural Network Architecture Search

Popis výsledku v původním jazyce

The choice of an architecture is crucial for the performance of the neural network, and thus automatic methods for architecture search have been proposed to provide a data-dependent solution to this problem. In this paper, we deal with an automatic neural architecture search for convolutional neural networks. We propose a novel approach for architecture selection based on multi-objective evolutionary optimisation. Our algorithm optimises not only the performance of the network, but it controls also the size of the network, in terms of the number of network parameters. The proposed algorithm is evaluated on experiments, including MNIST and fashionMNIST classification problems. Our approach outperforms both the considered baseline architectures and the standard genetic algorithm.

Název v anglickém jazyce

Multiobjective Evolution for Convolutional Neural Network Architecture Search

Popis výsledku anglicky

The choice of an architecture is crucial for the performance of the neural network, and thus automatic methods for architecture search have been proposed to provide a data-dependent solution to this problem. In this paper, we deal with an automatic neural architecture search for convolutional neural networks. We propose a novel approach for architecture selection based on multi-objective evolutionary optimisation. Our algorithm optimises not only the performance of the network, but it controls also the size of the network, in terms of the number of network parameters. The proposed algorithm is evaluated on experiments, including MNIST and fashionMNIST classification problems. Our approach outperforms both the considered baseline architectures and the standard genetic algorithm.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GA18-23827S" target="_blank" >GA18-23827S: Schopnosti a omezení mělkých a hlubokých sítí</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2020

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Artificial Intelligence and Soft Computing. ICAISC 2020 Proceedings, Part I

ISBN

978-3-030-61400-3

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

10

Strana od-do

261-270

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Zakopane

Datum konání akce

12. 10. 2020

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—