架构搜索文献笔记（2）：《基于端到端随机森林预测的代理辅助进化深度学习》

最新推荐文章于 2025-09-21 01:07:22 发布

原创

最新推荐文章于 2025-09-21 01:07:22 发布 · 883 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#算法

本文提出一种基于随机森林的性能预测器，用于加速进化深度学习(EDL)中的适应度评估。该预测器能显著提高评估速度并保持优秀的预测准确性。通过集成到EDL算法中，与先进竞争对手相比，在分类精度和计算资源消耗方面表现出优越性能。

文章目录

一、摘要
二、相关介绍
三、算法主要框架
四、具体操作
五、论文试验部分
六、论文总结

论文《Surrogate-Assisted Evolutionary Deep Learning Using an End-to-End Random Forest-based Performance Predictor》-2019-IEEE Transactions on Evolutionary Computation

论文链接
 E2EPP代码链接

一、摘要

摘要：卷积神经网络(CNNs)在各种现实应用中表现出了卓越的性能。不幸的是，只有在优化结构的情况下，cnn才能实现良好的性能。最先进的有线电视网络的架构通常是手工制作的有线电视网络和调查数据的广泛专业知识，这因此阻碍了有线电视网络的广泛采用，为缺乏经验的用户。进化深度学习(EDL)能够在不需要太多专业知识的情况下自动设计出最好的CNN架构。然而，现有的EDL算法通常通过从头开始训练来评估一个新架构的适用性，这导致了极高的计算成本，甚至在高性能计算机上运行。

——》本文提出了一种基于随机森林的端到端离线性能预测器，用于加速数据挖掘中的适应度评估。通过将其集成到现有的EDL算法作为一个案例研究，与18个最先进的竞争对手相比，所提出的性能预测器在分类精度和消耗的计算资源方面显示了有前途的性能。并将所提出的性能预测器与其他两种代表性的性能预测器进行了比较。

——》实验结果表明，所提出的性能预测器不仅提高了适应度评估的速度，而且在同类性能预测器中取得了最好的预测效果。。