基于广义田口法与目标向量范数的多目标鲁棒CNN系统超参数与结构优化设定
机器学习
2022-02-11 v2 系统与控制
系统与控制
最优化与控制
摘要
近来，机器学习(ML)、人工智能(AI)和卷积神经网络(CNN)取得巨大进展并广泛应用，其系统具有深度学习结构以及大量决定CNN和AI系统质量与性能的超参数。这些系统可能有多目标ML和AI性能需求。存在一个关键需求，即为多目标鲁棒最优CNN系统寻找最优超参数与结构。本文提出一种广义田口方法，通过其目标性能向量范数有效确定多目标鲁棒最优CNN系统的最优超参数与结构。所提方法应用于以原始ResNet在CIFAR-10数据集上的CNN分类系统作为演示与验证，表明所提方法对实现原始ResNet在CIFAR-10上的最优准确率高度有效。
引用
@article{arxiv.2202.04567,
title = {Optimal Hyperparameters and Structure Setting of Multi-Objective Robust CNN Systems via Generalized Taguchi Method and Objective Vector Norm},
author = {Sheng-Guo Wang and Shanshan Jiang},
journal= {arXiv preprint arXiv:2202.04567},
year = {2022}
}
备注
10 pages. Corresponding Author: Sheng-Guo Wang, [email protected]. To add the arXiv stamp to the first page