Multi-objective Bayesian Optimization for Neural Architecture Search

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F23%3A00568613" target="_blank" >RIV/67985807:_____/23:00568613 - isvavai.cz</a>

Výsledek na webu

<a href="https://dx.doi.org/10.1007/978-3-031-23492-7_13" target="_blank" >https://dx.doi.org/10.1007/978-3-031-23492-7_13</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-031-23492-7_13" target="_blank" >10.1007/978-3-031-23492-7_13</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Multi-objective Bayesian Optimization for Neural Architecture Search

Popis výsledku v původním jazyce

A novel multi-objective algorithm denoted as MO-BayONet is proposed for the Neural Architecture Search (NAS) in this paper. The method based on Bayesian optimization encodes the candidate architectures directly as lists of layers and constructs an extra feature vector for the corresponding surrogate model. The general method allows to accompany the search for the optimal network by additional criteria besides the network performance. The NAS method is applied to combine classification accuracy with network size on two benchmark datasets here. The results indicate that MO-BayONet is able to outperform an available genetic algorithm based approach.

Název v anglickém jazyce

Multi-objective Bayesian Optimization for Neural Architecture Search

Popis výsledku anglicky

A novel multi-objective algorithm denoted as MO-BayONet is proposed for the Neural Architecture Search (NAS) in this paper. The method based on Bayesian optimization encodes the candidate architectures directly as lists of layers and constructs an extra feature vector for the corresponding surrogate model. The general method allows to accompany the search for the optimal network by additional criteria besides the network performance. The NAS method is applied to combine classification accuracy with network size on two benchmark datasets here. The results indicate that MO-BayONet is able to outperform an available genetic algorithm based approach.

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/GA22-02067S" target="_blank" >GA22-02067S: AppNeCo: Aproximativní neurovýpočty</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2023

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. 21st International Conference, ICAISC 2022. Proceedings, Part I

ISBN

978-3-031-23491-0

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

10

Strana od-do

144-153

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Zakopane

Datum konání akce

18. 6. 2022

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000972696000013