Core Concepts
신경망 구조의 간단한 그래프 특성을 활용하면 기존 방법보다 뛰어난 성능 예측이 가능하다.
Abstract
이 논문에서는 신경망 구조의 성능을 예측하는 새로운 방법인 신경망 그래프 특성(GRAF)을 제안한다. GRAF는 신경망 구조의 간단한 그래프 특성을 활용하여 기존 방법보다 뛰어난 성능 예측 결과를 보여준다.
먼저 저자들은 기존 제로 비용 프록시(ZCP) 방법의 한계를 분석한다. ZCP는 신경망 구조의 일부 특성만을 반영하여 편향된 결과를 보이는 것을 확인했다. 이를 바탕으로 저자들은 신경망 구조의 다양한 그래프 특성을 GRAF로 정의했다. GRAF는 연산 개수, 경로 길이, 노드 차수 등 신경망 구조를 잘 반영하는 특성들로 구성된다.
GRAF를 랜덤 포레스트 모델의 입력으로 사용하면 ZCP와 원-핫 인코딩 방법보다 우수한 성능 예측 결과를 보인다. 또한 GRAF와 ZCP를 함께 사용하면 가장 좋은 성능을 보인다. GRAF의 해석 가능성을 활용하여 다양한 작업에 중요한 신경망 구조 특성을 분석할 수 있다.
GRAF는 정확도 예측뿐만 아니라 하드웨어 지표 및 강건성 예측 작업에서도 우수한 성능을 보인다. 기존 방법과 비교했을 때 GRAF는 계산 비용이 낮고 해석 가능성이 높은 장점이 있다.
Stats
신경망 구조에서 컨볼루션 연산 개수가 많을수록 zero-cost proxy 점수가 높아진다.
신경망 구조에서 skip 연결과 평균 풀링 연산이 중요한 특성으로 나타났다.
Quotes
"GRAF는 기존 방법보다 뛰어난 성능 예측 결과를 보여준다."
"GRAF의 해석 가능성을 활용하여 다양한 작업에 중요한 신경망 구조 특성을 분석할 수 있다."