Multi-objective Evolution for Deep Neural Network Architecture Search

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>

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.

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

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

—