Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Multi-objective Evolution for Deep Neural Network Architecture Search

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F20%3A00534837" target="_blank" >RIV/67985807:_____/20:00534837 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1007/978-3-030-63836-8_23" target="_blank" >http://dx.doi.org/10.1007/978-3-030-63836-8_23</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/978-3-030-63836-8_23" target="_blank" >10.1007/978-3-030-63836-8_23</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Multi-objective Evolution for Deep Neural Network Architecture Search

  • Popis výsledku v původním jazyce

    In this paper, we propose a multi-objective evolutionary algorithm for automatic deep neural architecture search. The algorithm optimizes the performance of the model together with the number of network parameters. This allows exploring architectures that are both successful and compact. We test the proposed solution on several image classification data sets including MNIST, fashionMNIST and CIFAR-10, and we consider deep architectures including convolutional and fully connected networks. The effects of using two different versions of multi-objective selections are also examined in the paper. Our approach outperforms both the considered baseline architectures and the standard genetic algorithm used in our previous work.

  • Název v anglickém jazyce

    Multi-objective Evolution for Deep Neural Network Architecture Search

  • Popis výsledku anglicky

    In this paper, we propose a multi-objective evolutionary algorithm for automatic deep neural architecture search. The algorithm optimizes the performance of the model together with the number of network parameters. This allows exploring architectures that are both successful and compact. We test the proposed solution on several image classification data sets including MNIST, fashionMNIST and CIFAR-10, and we consider deep architectures including convolutional and fully connected networks. The effects of using two different versions of multi-objective selections are also examined in the paper. Our approach outperforms both the considered baseline architectures and the standard genetic algorithm used in our previous work.

Klasifikace

  • 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)

Návaznosti výsledku

  • 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

Ostatní

  • Rok uplatnění

    2020

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Neural Information Processing. ICONIP 2020 Proceedings, Part III

  • ISBN

    978-3-030-63835-1

  • ISSN

    0302-9743

  • e-ISSN

  • Počet stran výsledku

    12

  • Strana od-do

    270-281

  • Název nakladatele

    Springer

  • Místo vydání

    Cham

  • Místo konání akce

    Bangkok

  • Datum konání akce

    23. 11. 2020

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku