申请/专利权人：南京信息工程大学

申请日：2024-04-09

公开（公告）日：2024-06-18

公开（公告）号：CN118014010B

主分类号：G06N3/045

分类号：G06N3/045;G06N3/0464;G06N3/086

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2024.05.28#实质审查的生效;2024.05.10#公开

摘要：本发明公开了一种自动化机器学习技术领域的基于多种群机制及代理模型的多目标演化神经架构搜索方法，旨在解决现有技术在设计用于各种视觉任务的卷积神经网络时消耗人力成本高、效率低且难以兼顾多目标场景的问题，其包括构建搜索空间，确定优化目标，对神经网络架构进行种群初始化；通过初始种群来初始化演化搜索过程，并结合预训练的代理模型和多种群机制在搜索空间内进行多目标演化搜索，得到候选神经网络架构；由候选神经网络架构中筛选出兼顾两个优化目标的神经网络架构。本发明通过代理模型加速搜索过程，使用多种群机制拓展解的多样性，来进行高效的神经架构搜索，能在目标数据集上获得一组兼顾多个优化目标的网络架构。

主权项：1.基于多种群机制及代理模型的多目标演化神经架构搜索方法，其特征在于，包括：构建搜索空间，包括：设置搜索参数，根据搜索参数对卷积神经网络的主干部分进行搜索，得到符合条件的卷积神经网络，所有符合条件的卷积神经网络构成搜索空间；所述卷积神经网络的主干部分包括五个依次连接的MBConvBlocks模块，所述MBConvBlocks模块由多个层组成，每一层均采用倒置瓶颈结构；所述搜索参数包括每个MBConvBlocks模块的层数、每一层的卷积核大小、扩展率和分辨率，所述分辨率即为输入图像大小；对搜索空间中的神经网络架构进行编码；确定两个优化目标，所述优化目标分别为网络复杂度和分类精度；根据网络复杂度对搜索空间中的神经网络架构进行种群初始化，得到用于演化搜索的初始种群；通过初始种群来初始化演化搜索过程，并结合预训练的代理模型和多种群机制在搜索空间内进行多目标演化搜索，得到候选神经网络架构，包括：S1、对初始种群中的神经网络架构进行非支配排序和拥挤度计算，得到主种群和副种群，包括：对初始种群中的神经网络架构进行非支配排序，将非支配排序中的第一层级作为主种群；除去主种群，对剩余神经网络架构进行拥挤度计算，选择拥挤度排名最高的个神经网络架构作为副种群；S2、计算本轮演化的阈值，其表达式如下： ；其中，表示阈值，为随机产生的之间的数，表示演化次数，为总演化次数；S3、将阈值与预设的超参数进行比较，若阈值大于超参数，则将主种群、副种群共同作为父代个体，若阈值小于超参数，则将主种群作为父代个体；对父代个体进行交叉、变异操作生成一系列子代个体；S4、通过预训练的代理模型处理得到子代个体的分类精度排名，并计算子代个体的复杂度；根据子代个体的分类精度排名和复杂度对其进行非支配排序和拥挤度计算，保留个子代个体，包括：根据子代个体的分类精度排名和复杂度大小利用快速非支配算法进行非支配排序，得到子代个体的非支配排序结果；选择非支配排序结果处于第一层级的子代个体计算拥挤度，得到拥挤度计算结果，保留拥挤度计算结果靠前的个子代个体；S5、将个子代个体与初始种群合并，重复S1~S5，直至达到总演化次数，得到候选神经网络架构；从候选神经网络架构中筛选出兼顾网络复杂度和分类精度两个优化目标的神经网络架构。

全文数据：

权利要求：

百度查询： 南京信息工程大学 基于多种群机制及代理模型的多目标演化神经架构搜索方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD