การค้นหาสถาปัตยกรรมประสาท
การค้นหาสถาปัตยกรรมประสาท (Neural Architecture Search, NAS) เป็นเทคนิคการออกแบบโครงข่ายประสาทเทียมโดยอัตโนมัติ เป็นแบบจำลองที่ใช้กันอย่างแพร่หลายในด้านการเรียนรู้ของเครื่อง[1] ปัจจุบัน ประสิทธิภาพของแบบจำลองที่ออกแบบผ่านการค้นหาสถาปัตยกรรมประสาทนั้นอาจเทียบเท่าหรือเหนือกว่าแบบจำลองที่ออกแบบโดยมนุษย์[2] [3] วิธีการค้นหาสถาปัตยกรรมประสาทสามารถแบ่งออกได้เป็น 3 ด้าน ได้แก่ ปริภูมิการค้นหา กลยุทธ์การค้นหา และกลยุทธ์การประมาณค่าประสิทธิภาพ[1] :
- ปริภูมิการค้นหา (search space) กำหนดประเภทของโครงข่ายประสาทเทียมที่สามารถออกแบบและเพิ่มประสิทธิภาพได้
- กลยุทธ์การค้นหา (search strategy) กำหนดวิธีการสำรวจปริภูมิค้นหา
- กลยุทธ์การประมาณสมรรถนะ (performance estimation strategy) จะประเมินประสิทธิภาพของโครงข่ายประสาทเทียมที่มีศักยภาพผ่านโครงสร้าง (อาจไม่จำเป็นต้องสร้างและฝึกฝนเครือข่ายแบบนี้)
การค้นหาสถาปัตยกรรมประสาทมีความเกี่ยวข้องอย่างใกล้ชิดกับ การหาไฮเปอร์พารามิเตอร์ที่เหมาะที่สุด นอกจากนี้ยังเป็นสาขาย่อยของ การเรียนรู้ของเครื่องโดยอัตโนมัติ อีกด้วย
อ้างอิง
[แก้]- ↑ 1.0 1.1 Elsken, Thomas; Metzen, Jan Hendrik; Hutter, Frank (August 8, 2019). "Neural Architecture Search: A Survey". Journal of Machine Learning Research. 20 (55): 1–21. arXiv:1808.05377. Bibcode:2018arXiv180805377E. คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 2021-01-27. สืบค้นเมื่อ 2020-03-17.
- ↑ Zoph, Barret; Le, Quoc V. (2016-11-04). "Neural Architecture Search with Reinforcement Learning". arXiv:1611.01578 [cs.LG].
- ↑ Zoph, Barret; Vasudevan, Vijay (2017-07-21). "Learning Transferable Architectures for Scalable Image Recognition". arXiv:1707.07012 [cs.CV].