GNAS：一种用于多属性学习的贪心神经架构搜索方法
神经与进化计算
2018-08-03 v2 计算机视觉与模式识别
机器学习
摘要
深度多属性学习中的一个关键问题是有效发现属性间的相关结构。通常，传统的深度多属性学习方法遵循基于任务特定专业知识先验和细致网络调优手动设计网络架构的流程，导致在面对实际中各种复杂场景时缺乏灵活性。受解决该问题的驱动，我们提出一种高效的贪心神经架构搜索方法（GNAS），以自动发现用于多属性学习的最优树状深度架构。GNAS以贪心方式将全局架构的优化逐步分解为各个连接的优化。通过迭代更新局部架构，全局树状架构得以收敛，其中底层在相关属性间共享，而顶层分支更多地编码属性特定特征。在三个基准多属性数据集上的实验显示了GNAS所得神经架构的有效性和紧凑性，同时也证明了GNAS在搜索神经架构方面的效率。
引用
@article{arxiv.1804.06964,
title = {GNAS: A Greedy Neural Architecture Search Method for Multi-Attribute Learning},
author = {Siyu Huang and Xi Li and Zhi-Qi Cheng and Zhongfei Zhang and Alexander Hauptmann},
journal= {arXiv preprint arXiv:1804.06964},
year = {2018}
}
备注
ACM MM 2018 (Oral)