| Identifikační kód |
RIV/67985807:_____/22:00560713 |
| Název v anglickém jazyce |
Graph Embedding for Neural Architecture Search with Input-Output Information |
| Druh |
O - Ostatní výsledky, které nelze zařadit do žádného z definovaných druhů výsledků |
| Jazyk |
eng - angličtina |
| Vědní obor |
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8) |
| Rok uplatnění |
2022 |
| Kód důvěrnosti údajů |
S - Úplné a pravdivé údaje o výsledku nepodléhající ochraně podle zvláštních právních předpisů. |
| Počet výskytů výsledku |
1 |
| Počet tvůrců celkem |
2 |
| Počet domácích tvůrců |
2 |
| Výčet všech uvedených jednotlivých tvůrců |
Roman Neruda (státní příslušnost: CZ - Česká republika, domácí tvůrce: A, vedidk: 8926050, orcid: 0000-0003-2364-5357, scopusid: 6701660464, researcherid: D-2442-2014)
Gabriela Suchopárová (státní příslušnost: CZ - Česká republika, domácí tvůrce: A, vedidk: 4703369, orcid: 0000-0002-4780-0633, scopusid: 57221642852, researcherid: ABA-7103-2021) |
| Popis výsledku v anglickém jazyce |
ZÁKLADNÍ ÚDAJE: Auto-ML Conf 2022: Accepted Papers: Late-Breaking Workshop. Baltimore: AutoML Conference, 2022. KONFERENCE: Auto-ML 2022: International Conference on Automated Machine Learning /1./. Baltimore (US), 25.07.2022-27.07.2022. ABSTRAKT: Graph representation learning has been widely used in neural architecture search as a part of performance prediction models. Existing works focused mostly on neural graph similarity without considering functionally similar networks with different architectures. In this work, we address this issue by using meta-information of input images and output features of a particular neural network. We extended the arch2vec model, a graph variational autoencoder for neural architecture search, to learn from this novel kind of data in a semi-supervised manner. We demonstrate our approach on the NAS-Bench-101 search space and the CIFAR10 dataset, and compare our model with the original arch2vec on a REINFORCE search task and a performance prediction task. We also present a semi-supervised accuracy predictor, and we discuss the advantages of both variants. The results are competitive with the original model and show improved performance. |
| Klíčová slova oddělená středníkem |
machine learning;neural architecture search;meta-learning;graph neural networks;representation learning |
| Stránka www, na které se nachází výsledek |
- |
| Odkaz na údaje z výzkumu |
- |