神经架构搜索的长期可复现性
机器学习
2022-07-20 v2
摘要
现代学术界常忽视代码发布后的维护——对缺陷修复与维护并无学术层面的认可，这折射出一种可悲现状。代码往往不可用，或即便可用也含有缺陷、不完整，或依赖过时/不可得的库。这对可复现性与整体科学进展有显著影响。神经架构搜索（NAS）亦不例外，已有一些关于可复现性的前期工作。然而，我们认为这些并未考虑长期可复现性问题。因此我们提出一份面向长期 NAS 可复现性的检查清单。我们依据该清单评估常见 NAS 方法，并提出如何回溯性地使这些方法更具长期可复现性。
引用
@article{arxiv.2207.04821,
title = {Long-term Reproducibility for Neural Architecture Search},
author = {David Towers and Matthew Forshaw and Amir Atapour-Abarghouei and Andrew Stephen McGough},
journal= {arXiv preprint arXiv:2207.04821},
year = {2022}
}
备注
4 pages, LaTeX, Typos corrected