EvoAAA: 一种用于自动神经自编码器架构搜索的进化方法

Jan, 2023

EvoAAA: 一种用于自动神经自编码器架构搜索的进化方法

EvoAAA: An evolutionary methodology for automated \neural autoencoder architecture search

Francisco Charte, Antonio J. Rivera, Francisco Martínez, María J. del Jesus

TL;DR该论文提出了一种基于进化方法的自动化自编码器架构搜索过程，通过测试证明了该方法在九个异构数据集上的可行性和较好的结果。

Abstract

machine learning models work better when curated features are provided to them. feature engineering methods have been usually used as a preprocessing step to obtain or build a proper feature set. In late years, a

machine learning feature engineering autoencoder neural network architecture search

发现论文，激发创造

从零开始进化机器学习算法的 AutoML

本文旨在通过引入一个新颖的框架，展示 AutoML 可以进一步通过基本数学运算作为构建块自动发现完整的机器学习算法，从而大大减少人类偏见，并通过演化搜索不同类型的任务来适应算法。

Mar, 2020

多目标卷积自编码器神经进化 (MONCAE)

本文提出了一种新颖的神经进化方法来确定卷积自编码器的结构和超参数，使用超体积指标在神经架构搜索的背景下进行压缩图像来加快 AutoML 流程。

Jun, 2021

图像分类器结构搜索的正则化进化

这篇文章介绍了使用进化算法自动生成图像分类器的技术，并提出了一种改进的锦标赛选择进化算法，在同样的计算资源下超过了人类手工设计的图像分类器，并在 ImageNet 数据集上取得了优异成果。

Feb, 2018

分形自编码器用于特征选择

本研究提出了一种创新的无监督特征选择框架 —— 分形自编码器 (FAE)，它通过训练神经网络来精确定位全局取代能力和局部多样性的信息特征，具有显著优势，可在 14 个数据集上验证，特别是在基因表达数据探索方面可将测量成本降低约 15%，比现有的同类方法性能更优。

Oct, 2020

图神经网络的进化架构搜索

本研究提出了一种新的自动化机器学习（AutoML）框架，通过演化图神经网络（GNN）模型来寻找最合适的结构和学习参数，并在半监督和归纳式节点表示学习和分类任务上展示它的性能。

Sep, 2020

一种自编码器机制框架

本文提出了自动编码器机制的理论框架，研究了编码器的两个基本属性：双射映射和数据解缠，并给出了满足这两个属性中任意一个或同时具备的编码器的构造方法。基于该理论框架，我们解释了一些自动编码器的实验结果，证明自动编码器在降维和分类方面相较于 PCA 和决策树的优势，同时该理论框架还解释了卷积神经网络和随机加权神经网络。

Aug, 2022

神经架构搜索综述

本文综述了现有的方法，囊括了计算机领域中的神经体系结构搜索、自动化方法和深度学习等方面，内容包括常用的体系结构搜索空间和基于强化学习和进化算法的体系结构优化算法、模拟模型和单次模型。同时，文章对新的研究方向进行了探讨。

May, 2019

高效的神经结构进化算法（EENA）

本文介绍了一种称为 EENA 的有效神经体系结构搜索方法，该方法通过精心设计的变异和交叉操作进行演化，可以在较少的计算资源下，显著降低搜索和训练时间，并设计出在 CIFAR-10 数据集上效果显著的神经体系结构。

May, 2019

通过进化搜索利用标准卷积自编码器的潜力进行图像修复

本研究采用进化算法来搜索优化简单的卷积自编码器，用其进行图像恢复任务，无需采用对抗训练和复杂的损失函数，实验结果在 CelebA 和 SVHN 数据集上表现出色。

Mar, 2018

自编码器的结构化

本文提出了一种称为 Structuring AutoEncoders 的神经网络，其可以使用弱监督形成结构化的低维空间，从而更有效地表示并分类数据。在基准图像数据集 MNIST、Fashion-MNIST、DeepFashion2 以及 3D 人体形状数据集上进行的实验表明，结构潜空间可以为进一步的分类任务和分类数据的有效选择的操作提供更高效的表征。

Aug, 2019