NASirt：基于实例级复杂度信息的 AutoML 学习方法
机器学习
2020-12-04 v2 机器学习
摘要
设计恰当且精确的神经架构是一项具有挑战性的任务，通常由高度专业化的人员完成。AutoML 是一个旨在以自动化方式生成高性能模型的机器学习领域。诸如生物分析获得的谱数据通常含有大量重要信息，且由于其类图像形状，这些数据特别适合卷积神经网络（CNN）。本工作中我们提出 NASirt，一种基于神经架构搜索（NAS）的 AutoML 方法，为谱数据集寻找高准确率 CNN 架构。所提方法依赖项目反应理论（IRT）从实例级获取特征（如区分度与难度），并能够定义高性能子模型的排序。为证明该方法在不同谱数据集上的性能，进行了若干实验。准确率结果与其他基准方法进行比较，如高性能手工设计 CNN 与 Auto-Keras AutoML 工具。结果显示，我们的方法在大多数情况下优于基准，平均准确率高达 97.40%。
引用
@article{arxiv.2008.11846,
title = {NASirt: AutoML based learning with instance-level complexity information},
author = {Habib Asseiss Neto and Ronnie C. O. Alves and Sergio V. A. Campos},
journal= {arXiv preprint arXiv:2008.11846},
year = {2020}
}
备注
to be published