D-DARTS: Distributed Differentiable Architecture Search

要約

Differentiable ARchiTecture Search (DARTS) は、最も注目されている Neural Architecture Search (NAS) メソッドの 1 つです。
ウェイトシェアリングに頼ることで、検索コストを大幅に削減します。
ただし、検索スペースも大幅に削減されるため、潜在的に有望なアーキテクチャが除外されます。
この記事では、D-DARTS を提案します。D-DARTS は、ウェイト シェアリングを使用する代わりにセル レベルでニューラル ネットワークを入れ子にすることでこの問題に対処し、より多様で特殊なアーキテクチャを生成します。
さらに、いくつかのトレーニングされたセルからより深いアーキテクチャを導き出すことができる新しいアルゴリズムを導入し、パフォーマンスを向上させ、計算時間を節約します。
さらに、ゼロから始めるのではなく、既存の手作りのアーキテクチャ (ResNet など) を最適化する代替検索スペース (DARTOpti) も提示します。
このアプローチには、カスタム検索空間内のアーキテクチャ間の距離を測定する新しいメトリックが伴います。
当社のソリューションは、複数のコンピューター ビジョン タスクで競争力のあるパフォーマンスを達成します。
コードと事前トレーニング済みのモデルは、https://github.com/aheuillet/D-DARTS でアクセスできます。

要約(オリジナル)

Differentiable ARchiTecture Search (DARTS) is one of the most trending Neural Architecture Search (NAS) methods. It drastically reduces search cost by resorting to weight-sharing. However, it also dramatically reduces the search space, thus excluding potential promising architectures. In this article, we propose D-DARTS, a solution that addresses this problem by nesting neural networks at the cell level instead of using weight-sharing to produce more diversified and specialized architectures. Moreover, we introduce a novel algorithm that can derive deeper architectures from a few trained cells, increasing performance and saving computation time. In addition, we also present an alternative search space (DARTOpti) in which we optimize existing handcrafted architectures (e.g., ResNet) rather than starting from scratch. This approach is accompanied by a novel metric that measures the distance between architectures inside our custom search space. Our solution reaches competitive performance on multiple computer vision tasks. Code and pretrained models can be accessed at https://github.com/aheuillet/D-DARTS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google