本論文では、ニューラルアーキテクチャサーチ(NAS)手法の一般化性を高めるために、これまでに見たことのないデータセットを紹介する。
まず、NASの背景と課題について説明する。従来のNAS手法は、CIFAR-10やImageNetといった一般的なベンチマークデータセットを対象としており、これらのデータセットに最適化された手法が開発されてきた。しかし、これらのデータセットは既に高い精度が達成されており、NAS手法の一般化性を評価するのは難しい。
そこで本研究では、8つの新しいデータセットを提案する。これらのデータセットは、人間が簡単に解くことができるものと、人間には解くのが非常に難しいものの2種類に分類される。前者の例としてAddNISTやMultNISTがあり、後者の例としてLanguageやGutenbergがある。
これらのデータセットを用いて、一般的なCNNモデルやNAS手法(PC-DARTS、DrNAS、Bonsai-Net)の性能を評価した。その結果、NAS手法は一部のデータセットで優れた性能を示したものの、全体としては一般化性に課題があることが明らかになった。
本研究の提案するデータセットは、NAS手法の一般化性を評価するための有用なベンチマークとなることが期待される。今後も新しいデータセットを開発し、NAS手法の発展につなげていきたい。
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Rob Geada,Da... at arxiv.org 04-04-2024
https://arxiv.org/pdf/2404.02189.pdfDeeper Inquiries