LP-NAS: Linear Programming-based Neural Architecture Search

Artikel konnten nicht hinzugefügt werden

Leider können wir den Artikel nicht hinzufügen, da Ihr Warenkorb bereits seine Kapazität erreicht hat.

Der Titel konnte nicht zum Warenkorb hinzugefügt werden.

Bitte versuchen Sie es später noch einmal

Der Titel konnte nicht zum Merkzettel hinzugefügt werden.

Bitte versuchen Sie es später noch einmal

„Von Wunschzettel entfernen“ fehlgeschlagen.

Bitte versuchen Sie es später noch einmal

„Podcast folgen“ fehlgeschlagen

„Podcast nicht mehr folgen“ fehlgeschlagen

LP-NAS: Linear Programming-based Neural Architecture Search

Jetzt kostenlos hören, ohne Abo

Details anzeigen

Automating neural network design (NAS) is powerful but computationally costly, and differentiable NAS methods like DARTS often converge slowly. LP-NAS reframes the architecture search as a linear programming problem, using gradient and Hessian information to compute better-informed update directions that improve generalization while preserving optimized parameters. Its two variants integrate into the popular DARTS framework and show faster, stronger convergence on CIFAR-10/100, with transferability to ImageNet. This offers machine learning practitioners a more efficient, mathematically grounded alternative for automating model design across computer vision and beyond. Authors: Abhishek Shukla, Ankur Sinha, Faiz Hamid Paper: https://arxiv.org/abs/2608.14472v1

Noch keine Rezensionen vorhanden