A Lightweight Neural Architecture Search Model for Medical Image Classification

要約

医療画像の正確な分類は、現代の診断に不可欠である。ディープラーニングの進歩により、臨床医はより迅速で正確な判断を下すために高度なモデルを使用することが増え、時には人間の判断に取って代わることもある。しかし、モデルの開発にはコストがかかり、反復的な作業となります。ニューラル・アーキテクチャ・サーチ（NAS）は、ディープラーニング・アーキテクチャの設計を自動化することで解決策を提供する。本稿では、2値最適化によってスパース確率を生成する新しい手法によって探索効率を向上させる微分可能なNASアルゴリズム、ZO-DARTS+を紹介する。5つの公開医療データセットを用いた実験により、ZO-DARTS+は検索時間を最大3倍短縮しながら、最先端のソリューションの精度に匹敵することが示された。

要約(オリジナル)

Accurate classification of medical images is essential for modern diagnostics. Deep learning advancements led clinicians to increasingly use sophisticated models to make faster and more accurate decisions, sometimes replacing human judgment. However, model development is costly and repetitive. Neural Architecture Search (NAS) provides solutions by automating the design of deep learning architectures. This paper presents ZO-DARTS+, a differentiable NAS algorithm that improves search efficiency through a novel method of generating sparse probabilities by bi-level optimization. Experiments on five public medical datasets show that ZO-DARTS+ matches the accuracy of state-of-the-art solutions while reducing search times by up to three times.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL