CVPR 2020: SGAS，一種基于貪心思想的CNN/GCN網絡結構搜索算法
GCN
我們是同時將SGAS用到GCN的網絡結構搜索中的。GCN網絡結構由普通單元（normal cell） 組成。其搜索空間由10個運算組成：conv－1×1， MRConv， EdgeConv， GAT， SemiGCN， GIN， SAGE， RelSAGE，skip－connect， and zero operation。
SGAS在ModelNet10的訓練集與測試集搜索結構，并在ModelNet40訓練集和測試集上進行訓練與測試，結果如表3所示：
我們也將SGAS應用到生物信息圖的結點預測上。我們在PPI （protein protein intersection） 數(shù)據集的訓練集與驗證集搜索結構，并在PPI的訓練集和測試集上進行訓練與測試，結果如表4所示：
我們SGAS在GCN上的實驗，超越了之前最好的模型。我們在ModelNet40以及PPI數(shù)據集上成為了新的state－of－the－art．
參考資料［1］ Barret Zoph and Quoc V Le． Neuralarchitecture search with reinforcement learning． arXiv preprintarXiv：1611．01578， 2016．［2］ Esteban Real， Alok Aggarwal， YanpingHuang， and Quoc V Le． Regularized evolution for image classifier architecturesearch． In Proceedings of the AAAI Conference on Artificial Intelligence，volume 33， pages 4780–4789， 2019．［3］ Hanxiao Liu， Karen Simonyan， and YimingYang． Darts： Differentiable architecture search． arXiv preprintarXiv：1806．09055， 2018．［4］ Maurice G Kendall． A new measure of rank correlation． Biometrika，30（1／2）：81–93， 1938．
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
