针对长尾数据集的神经架构搜索的异构学习率调度
原文中文,约400字,阅读约需1分钟。发表于: 。本文旨在解决将神经架构搜索(NAS)算法,特别是可微架构搜索(DARTS),应用于类别分布高度不平衡的长尾数据集的挑战。我们观察到,传统的重新采样和重新加权技术,在与 DARTS 结合时会导致性能下降。为了缓解这一问题,我们提出了一种新颖的自适应学习率调度策略,针对与双边分支网络(BBN)相结合处理不平衡数据集的 DARTS...
本文研究了将神经架构搜索算法应用于类别分布不平衡的长尾数据集的挑战,并提出了一种自适应学习率调度策略以防止破坏良好训练的表示。实验证明该方法的准确率与仅使用神经架构搜索相当,强调了在不平衡学习场景中进行数据增强的重要性。