基于可扩展强化学习的神经架构搜索用于癌症深度学习研究
机器学习
2019-09-04 v1 机器学习
摘要
癌症是一种复杂疾病，所收集数据量的增长和部署计算能力的提升正辅助人们对其理解和治疗。因此，对于癌症诊断、检测、预后和预测等各类任务，对数据驱动尤其是深度学习方法的开发需求日益增长。尽管如此，近期成果显著，但为非图像和非文本的癌症数据设计高性能深度学习模型仍是一项耗时的、试错的手动任务，需要癌症领域和深度学习的双重专业知识。为此，我们开发了基于强化学习的神经架构搜索，以自动化一类代表性癌症数据的基于深度学习的预测模型开发。我们开发了自定义构建模块，使领域专家能够融入癌症数据特有的特征。我们展示了该方法发现的深度神经网络架构，其可训练参数显著更少、训练时间更短，且准确率与手动设计的架构相似或更高。我们在阿贡领导力计算设施的 Theta 超级计算机上多达 1,024 个 Intel Knights Landing 节点上研究并展示了该方法的可扩展性。
引用
@article{arxiv.1909.00311,
title = {Scalable Reinforcement-Learning-Based Neural Architecture Search for Cancer Deep Learning Research},
author = {Prasanna Balaprakash and Romain Egele and Misha Salim and Stefan Wild and Venkatram Vishwanath and Fangfang Xia and Tom Brettin and Rick Stevens},
journal= {arXiv preprint arXiv:1909.00311},
year = {2019}
}
备注
SC '19: IEEE/ACM International Conference on High Performance Computing, Networking, Storage and Analysis, November 17--22, 2019, Denver, CO