RandomNet：面向多模态学习全自动神经架构设计
机器学习
2020-03-04 v1 计算机视觉与模式识别
机器学习
摘要
几乎所有神经架构搜索方法都以其所发现模型结构的性能（即测试准确率）来评估。这应是良好autoML方法的唯一指标吗？为考察性能之外的方面，我们提出一组标准，旨在评估autoML问题的核心：将这些方法部署到真实场景所需的人工干预量。基于所提评估清单，我们研究了随机搜索策略在完全自动化多模态神经架构搜索中的有效性。相较依赖手工设计特征提取器的传统方法，我们的方法以最小人工监督从大搜索空间为每个模态选型。我们表明，所提随机搜索策略在AV-MNIST数据集上接近SOTA，同时满足全自动设计过程的可取特性。
引用
@article{arxiv.2003.01181,
title = {RandomNet: Towards Fully Automatic Neural Architecture Design for Multimodal Learning},
author = {Stefano Alletto and Shenyang Huang and Vincent Francois-Lavet and Yohei Nakata and Guillaume Rabusseau},
journal= {arXiv preprint arXiv:2003.01181},
year = {2020}
}
备注
6 pages, 1 figures