A Cell-Based Fast Memetic Algorithm for Automated Convolutional Neural Architecture Design

Dong, Junwei; Hou, Boyu; Li, Feng; Tang, Huajin; Tan, Kay Chen; Ong, Yew-Soon

doi:10.1109/tnnls.2022.3155230

Cited by 14 publications

(7 citation statements)

References 52 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The integration of gamification strategies, coupled with Piaget's theory of cognitive development, facilitates the creation of a cognitive framework and the cultivation of novel adaptive abilities. This approach aligns with the aim of providing exceptionally tailored remedies to individuals with uncommon genetic disorders, promoting adaptive responses (Dong et al, 2022;Liang et al, 2022).…”

Section: Introductionmentioning

confidence: 99%

Integrating reinforcement learning and serious games to support people with rare genetic diseases and neurodevelopmental disorders: outcomes on parents and caregivers

Stasolla,

Akbar,

Passaro

et al. 2024

Front. Psychol.

View full text Add to dashboard Cite

show abstract

Section: Introductionmentioning

confidence: 99%

Integrating reinforcement learning and serious games to support people with rare genetic diseases and neurodevelopmental disorders: outcomes on parents and caregivers

Stasolla,

Akbar,

Passaro

et al. 2024

Front. Psychol.

View full text Add to dashboard Cite

show abstract

“…Taking inspiration from pioneering studies on memetic computing for CNN design [24], this paper introduces a novel approach that harnesses the strengths of both DARTS and ENAS methodologies. The proposed algorithm, named gradient-guided evolutionary architecture search (GENAS), employs a supernet to define the search space and then evolves a population of candidate architectures, each functioning as a subnet.…”

Section: Introductionmentioning

confidence: 99%

A Gradient-Guided Evolutionary Neural Architecture Search

Xue,

Han,

Neri

et al. 2024

IEEE Trans. Neural Netw. Learning Syst.

View full text Add to dashboard Cite

Neural architecture search (NAS) is a popular method that can automatically design deep neural network structures. However, designing a neural network using NAS is computationally expensive. This paper proposes a gradientguided evolutionary neural architecture search (GENAS) to design convolutional neural networks for image classification. GENAS is a hybrid algorithm that combines evolutionary global and local search operators to evolve a population of subnets sampled from a supernet. Each candidate architecture is encoded as a table describing which operations are associated with the edges between nodes signifying feature maps. Besides, evolutionary optimisation employs novel crossover and mutation operators to manipulate the subnets using the proposed tabular encoding. Every n generations, the candidate architectures undergo a local search inspired by differentiable neural architecture search. GENAS is designed to overcome the limitations of both evolutionary and gradient-descent NAS. This algorithmic structure enables the performance assessment of the candidate architecture without retraining, thus limiting the NAS calculation time. Furthermore, subnet individuals are decoupled during evaluation to prevent strong coupling of operations in the supernet.The experimental results indicate that the searched structures achieve test errors of 2.45%, 16.86%, and 23.9% on CIFAR-10/100/ImageNet datasets and it costs only 0.26 GPU days on a graphic card. GENAS can effectively expedite the training and evaluation processes and obtain high-performance network structures.

show abstract

“…Retinal kan damar segmentasyonu için birçok sinir mimarisi arama çalışması gerçekleştirilmiştir [13 -15]. Bu çalışmalarda en iyi sinir ağı mimarilerini aramak için genetik algoritma gibi meta-sezgisel yöntemler kullanılmış ve başarılı sonuçlar verdiği gözlemlenmiştir [18].…”

Section: Introductionunclassified

Retina Damar Segmentasyonunda Sinir Mimarisi Arama için Farklı Kodlama Yöntemlerinin Karşılaştırılması

KUŞ,

KİRAZ

2023

International Journal of Advances in Engineering and Pure Sciences

View full text Add to dashboard Cite

Retinal kan damar segmentasyonu diyabetik retinopati ve yaşa bağlı makula dejenerasyonu gibi göz hastalıklarının tespiti ve incelemesi açısından kritik bir görevdir. U-şekilli derin sinir ağlarının bu görev için başarılı sonuçlar verdiği bilinmektedir; fakat bu ağların optimize edilmesi gereken bir çok hiper-parametresi bulunmaktadır. Bu ağların otomatik bir şekilde optimizasyonu ve aranması için birçok sinir mimarisi arama (SMA) çalışması gerçekleştirilmiştir. SMA çalışmaları incelendiğinde seçilen kodlama şemalarının üretilen ağların karmaşıklığını ve performansını doğrudan etkilediği görülmüştür. Bu çalışmada, retinal kan damar segmentasyonu için sunduğumuz iki SMA çalışmasında (UNAS-Net ve MedUNAS) önerilen kodlama şemalarının performansları herkese açık olarak yayınlanan iki farklı retinal kan damar segmentasyonu veri kümesi üzerinde karşılaştırılmıştır. Elde edilen sonuçlara bakıldığında, önerilen her iki yöntemin temel alınan U-Net'ten 25 kata kadar daha az parametre ile tüm ölçütler açısından daha iyi performans gösterdiği görülmüştür. Ayrıca, UNAS-Net ve MedUNAS'ın SMA çalışmaları arasında en az parametre ile yüksek rekabetçi sonuçlar elde edebildiği gösterilmiştir.

show abstract

A Cell-Based Fast Memetic Algorithm for Automated Convolutional Neural Architecture Design

Cited by 14 publications

References 52 publications

Integrating reinforcement learning and serious games to support people with rare genetic diseases and neurodevelopmental disorders: outcomes on parents and caregivers

Integrating reinforcement learning and serious games to support people with rare genetic diseases and neurodevelopmental disorders: outcomes on parents and caregivers

A Gradient-Guided Evolutionary Neural Architecture Search

Retina Damar Segmentasyonunda Sinir Mimarisi Arama için Farklı Kodlama Yöntemlerinin Karşılaştırılması

Contact Info

Product

Resources

About