ILASH：面向多任务应用的预测神经网络搜索框架
机器学习
2024-12-04 v1 计算机视觉与模式识别
摘要
人工智能(AI)在包括医疗保健、自动驾驶、机器人、交通监控和农业等多个领域广泛应用。这些领域的许多现代AI应用本质上是多任务的(即对同一数据执行多个分析)，且部署在资源受限的边缘设备上，要求AI模型在功耗、帧率和大小等不同指标上都具有高效性。针对这些特定用例，我们提出了一种新的神经网络架构(ILASH)范式，利用层共享概念来最小化功耗、提高帧率并减少模型大小。此外，我们提出了一种新的神经网络架构搜索框架(ILASH-NAS)，用于高效构建给定任务集和设备约束下的神经网络模型。该NAS框架利用数据驱动的智能方法，在能源、时间和二氧化碳排放方面具有高效性。我们使用四个开源数据集(UTKFace、MTFL、CelebA 和 Taskonomy)对提出的层共享架构范式(ILASH)和 ILASH-NAS 框架进行了广泛评估。我们将 ILASH-NAS 与 AutoKeras 进行比较，观察到在生成模型性能和神经搜索效率方面均有显著提升，能源利用、二氧化碳排放和训练/搜索时间最高可减少16倍。
引用
@article{arxiv.2412.02116,
title = {ILASH: A Predictive Neural Architecture Search Framework for Multi-Task Applications},
author = {Md Hafizur Rahman and Md Mashfiq Rizvee and Sumaiya Shomaji and Prabuddha Chakraborty},
journal= {arXiv preprint arXiv:2412.02116},
year = {2024}
}
备注
9 pages, 3 figures, 6 tables