Core Concepts
FaDE는 계층적 NAS 공간의 유한 영역에서 상대적 성능 예측을 사용하여 효율적인 신경망 구조 탐색을 가능하게 한다.
Abstract
이 논문은 계층적 신경망 구조 탐색(NAS) 문제를 다룹니다. 계층적 탐색 공간을 사용하면 신경망 하위 모듈의 저렴한 평가를 통해 구조 평가의 대리 지표로 사용할 수 있습니다. 그러나 때로는 계층이 너무 제한적이거나 대리 지표가 일반화되지 않습니다.
저자들은 FaDE(Fast DARTS Estimator)를 제안합니다. FaDE는 차별화 가능한 구조 탐색을 사용하여 계층적 NAS 공간의 유한 영역에서 상대적 성능 예측을 얻습니다. 이러한 상대적 순위는 메모리 없는 일괄 처리 외부 탐색 알고리즘을 필요로 하며, 저자들은 이를 위해 의사 경사 하강법이 포함된 진화 알고리즘을 사용합니다.
FaDE는 특히 깊은 계층적 또는 다중 셀 탐색 공간에 적합하며, 선형 비용으로 탐색할 수 있어 프록시 탐색 공간이 필요하지 않습니다.
실험 결과, FaDE-ranks가 해당 구조 성능과 잘 상관관계가 있으며, 이를 통해 전체 신경망 구조 탐색 공간에서 의사 경사 진화 탐색을 수행할 수 있음을 보여줍니다.
Stats
제안된 FaDE 방법은 계층적 NAS 공간의 유한 영역에서 상대적 성능 예측을 가능하게 합니다.
FaDE-ranks와 실제 구조 성능 간의 상관 계수는 0.8로 유의미한 수준입니다.
제안된 외부 NAS 최적화 방법은 점진적으로 더 나은 구조를 찾아내지만, 통계적으로 유의미한 수준은 아닙니다.
Quotes
"FaDE는 특히 깊은 계층적 또는 다중 셀 탐색 공간에 적합하며, 선형 비용으로 탐색할 수 있어 프록시 탐색 공간이 필요하지 않습니다."
"실험 결과, FaDE-ranks가 해당 구조 성능과 잘 상관관계가 있으며, 이를 통해 전체 신경망 구조 탐색 공간에서 의사 경사 진화 탐색을 수행할 수 있음을 보여줍니다."