.png){kind=icon}
返回
A two-stage differential evolution algorithm for neural ensemble architecture search
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-49709-3.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
神经集合，由多个异构神经网络组成，在机器学习任务中显示出前景。其有效性取决于架构设计，传统上依赖深度学习专业知识。神经集合架构搜索方法旨在自动化此过程，但面临平衡多样性、性能和计算效率的挑战。本研究引入DENE，一种用于NEAS的差分进化算法，以解决这些局限性。DENE采用两阶段框架生成具有多头结构的神经集合，并通过基于代理模型的排序策略在性能评估期间减少计算资源。一种新颖的多样性测量函数使DENE能够通过多目标优化优化准确性和多样性。在基准图像分类数据集上的实验将DENE与最先进的进化神经网络架构搜索和NEAS算法进行比较。结果表明，DENE高效地生成了极具竞争力的神经集合，在性能和搜索时间方面优于现有方法。本研究通过提供更高效和有效的神经集合设计方法，为自动化机器学习做出贡献，可能拓宽这些强大模型在各个领域的应用。
Keyword:
Neural ensembles
Differential evolution
Neural ensemble architecture search
Multi-objective optimization
Surrogate model
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.9
论文数:
27.8W
被引数:
83.5W
机构
查看更多机构
引用论文
暂无论文信息