资源感知的帕累托最优自动机器学习平台
机器学习
2020-11-03 v1 人工智能
摘要
在本研究中，我们介绍了一种新颖的平台 Resource-Aware AutoML (RA-AutoML)，其支持灵活且通用的算法，用于在多目标以及资源和硬件约束下构建机器学习模型。RA-AutoML 智能地执行超参数搜索 (HPS) 以及神经架构搜索 (NAS)，以构建优化预定义目标的模型。RA-AutoML 是一个通用框架，允许用户根据当前问题或业务需求规定许多资源/硬件约束以及目标。其核心依赖于我们内部的搜索引擎算法 MOBOGA，该算法结合了改进的约束感知贝叶斯优化和遗传算法来构建帕累托最优候选模型。我们在 CIFAR-10 数据集上的实验表明，在受模型大小形式的资源约束下，与最先进的神经网络模型所得结果相比，其准确率非常出色。
引用
@article{arxiv.2011.00073,
title = {Resource-Aware Pareto-Optimal Automated Machine Learning Platform},
author = {Yao Yang and Andrew Nam and Mohamad M. Nasr-Azadani and Teresa Tung},
journal= {arXiv preprint arXiv:2011.00073},
year = {2020}
}
备注
Accepted for International Seminar on Research of Information Technology and Intelligent Systems (ISRITI), IEEE. December 2020