关键词differentiable architecture search
搜索结果 - 27
- ICLRDrNAS: Dirichlet 神经架构搜索
该研究论文提出了一种新的可微分架构搜索方法，通过分布学习问题来加以实现，并将连续松弛的架构混合权重视为随机变量，以 Dirichlet 分布进行建模，通过路径导数优化 Dirichlet 参数，并采用渐进学习方案消除了不同 iable NA - 噪声可微架构搜索
本文提出了一种名为 NoisyDARTS 的神经网络结构搜索方法，通过在训练过程中注入随机噪声，阻碍在跳跃连接上的梯度传播，以防止神经网络因残差结构而过于追求信息流动的速度而导致的性能下降问题，并证明注入噪声可以平滑损失面貌，从而使优化更为 - ECCV公平 DARTS：消除可微架构搜索中的不公平优势
通过实验，揭示了 Differentiable Architecture Search 权重共享神经结构搜索的性能下降是由于竞争中的不公平优势导致的，并提出了 “公平 DARTS” 方法，在其中将独占竞争放松为合作。实施了零 - 一损失来推 - ICLR可微分架构搜索的理解和稳健性提高
本文研究了 Differentiable Architecture Search 在新问题上失效的问题，发现了通过添加不同类型的正则化项可以改善其在架构空间中高验证损失曲率区域的性能，提出了几种简单的改进方案，实测表现更加稳健。这些观察结果 - DARTS+：具有提前停止的改进可微架构搜索
本文提出了一种名为 DARTS + 的算法，通过设置一个明确的早停策略来避免 Differentiable Architecture Search (DARTS) 在优化时遇到过拟合问题，并将其应用在基准数据集上取得了较好的结果。
- ICLRPC-DARTS: 部分通道连接用于内存高效的架构搜索
本文提出了一种称为部分连接的差分建模搜索方法，通过采样超级网络的一小部分来减少探索网络空间的冗余，从而执行更有效的搜索，同时通过边缘标准化减少测量的不确定性以获得更高的训练稳定性。
- sharpDARTS: 更快更准确的可微架构搜索
借助 Differentiable Architecture Search，本研究提出了 sharpDARTS 搜索方式，该方式在 CIFAR-10 数据集上取得了相对错误率 20-30% 的进展，并在模型大小相似的情况下创下了目前最先进的