Der Artikel befasst sich mit dem Problem des Retrievals von neuronalen Architekturen, bei dem für eine gegebene Abfragearchitektur ähnliche bestehende neuronale Architekturen effizient und automatisch abgerufen werden sollen.
Bestehende Strategien zum Vortrainieren von Graphen können die Berechnungsgraphen in neuronalen Architekturen aufgrund der Graphgröße und Motive nicht adäquat behandeln. Um dieses Potenzial zu erfüllen, schlagen wir vor, den Graphen in Motive aufzuteilen, die verwendet werden, um den Makrographen wieder aufzubauen, um diese Probleme anzugehen, und führen ein mehrschichtiges kontrastives Lernen ein, um ein genaues Graphenrepräsentationslernen zu erreichen.
Umfangreiche Evaluierungen sowohl auf manuell entworfenen als auch auf synthetisierten neuronalen Architekturen zeigen die Überlegenheit unseres Algorithmus. Außerdem haben wir einen neuen Datensatz mit 12.000 verschiedenen gesammelten Architekturen und deren Einbettung für das Retrieval von neuronalen Architekturen erstellt, der der Gemeinschaft der neuronalen Architekturentwürfe zugute kommt.
toiselle kielelle
lähdeaineistosta
arxiv.org
Tärkeimmät oivallukset
by Xiaohuan Pei... klo arxiv.org 03-19-2024
https://arxiv.org/pdf/2307.07919.pdfSyvällisempiä Kysymyksiä