Core Concepts
ニューラルグラフ特徴(GRAF)は、ゼロコストプロキシよりも優れた性能予測を提供し、解釈可能性も高い。
Abstract
本論文では、ニューラルアーキテクチャ検索(NAS)のための新しい性能予測手法であるニューラルグラフ特徴(GRAF)を提案している。
まず、ゼロコストプロキシの限界を分析し、それらが主に畳み込み層の数に依存していることを示した。この分析に基づき、GRAF は以下のような簡単に計算できるネットワークのグラフ特徴を提案している:
各演算子の使用回数
入力ノードから出力ノードまでの最短/最長パス長
入力/出力ノードの次数
中間ノードの平均入出力次数
これらの特徴を使ったランダムフォレストモデルが、ゼロコストプロキシやワンホット符号化よりも優れた性能予測を示した。特に、ゼロコストプロキシとGRAFを組み合わせた場合に最も良い結果が得られた。
GRAFの解釈可能性を利用して、タスクによって最適なネットワーク特性が異なることを示した。例えば、cifar-10分類ではスキップ接続とconv層の最短パス長が重要だが、オートエンコーダタスクではプーリング層の次数が重要となる。
さらに、GRAFを使った予測モデルは、ハードウェアメトリックや頑健性予測などの多様なタスクでも優れた性能を示した。また、既存の性能予測手法と比較しても、最も効率的で解釈可能な手法の1つであることが分かった。
Stats
畳み込み層の数は、ゼロコストプロキシの性能に大きな影響を与える
同じ畳み込み層数の場合、ゼロコストプロキシは構造的に似た
ネットワークを区別できない
Quotes
"ゼロコストプロキシは畳み込み層の数を捉えているが、構造的に似たネットワークを区別できない"
"GRAFの解釈可能性を利用して、タスクによって最適なネットワーク特性が異なることを示した"