ترجمه فارسی مقاله انتقال اصل طراحی در جستجوی معماری عصبی از طریق مدل های زبان بزرگ

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Design Principle Transfer in Neural Architecture Search via Large Language Models
عنوان مقاله به فارسی انتقال اصل طراحی در جستجوی معماری عصبی از طریق مدل های زبان بزرگ
نویسندگان Xun Zhou, Liang Feng, Xingyu Wu, Zhichao Lu, Kay Chen Tan
فرمت مقاله انگلیسی PDF
تعداد صفحات 14
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Computation and Language,یادگیری ماشین , محاسبه و زبان ,
توضیحات Submitted 21 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده 21 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Transferable neural architecture search (TNAS) has been introduced to design efficient neural architectures for multiple tasks, to enhance the practical applicability of NAS in real-world scenarios. In TNAS, architectural knowledge accumulated in previous search processes is reused to warm up the architecture search for new tasks. However, existing TNAS methods still search in an extensive search space, necessitating the evaluation of numerous architectures. To overcome this challenge, this work proposes a novel transfer paradigm, i.e., design principle transfer. In this work, the linguistic description of various structural components' effects on architectural performance is termed design principles. They are learned from established architectures and then can be reused to reduce the search space by discarding unpromising architectures. Searching in the refined search space can boost both the search performance and efficiency for new NAS tasks. To this end, a large language model (LLM)-assisted design principle transfer (LAPT) framework is devised. In LAPT, LLM is applied to automatically reason the design principles from a set of given architectures, and then a principle adaptation method is applied to refine these principles progressively based on the new search results. Experimental results show that LAPT can beat the state-of-the-art TNAS methods on most tasks and achieve comparable performance on others.

چکیده به فارسی (ترجمه ماشینی)

جستجوی معماری عصبی قابل انتقال (TNA) برای طراحی معماری های عصبی کارآمد برای چندین کار ، برای تقویت کاربرد عملی NAS در سناریوهای دنیای واقعی معرفی شده است.در TNA ها ، دانش معماری انباشته شده در فرآیندهای جستجوی قبلی برای گرم کردن جستجوی معماری برای کارهای جدید استفاده می شود.با این حال ، روش های TNAS موجود هنوز در یک فضای جستجوی گسترده جستجو می کنند ، و این امر نیاز به ارزیابی معماری های بی شماری دارد.برای غلبه بر این چالش ، این کار یک الگوی انتقال جدید ، یعنی انتقال اصل طراحی را پیشنهاد می کند.در این کار ، توصیف زبانی اثرات مختلف مؤلفه های ساختاری بر عملکرد معماری اصول طراحی نامیده می شود.آنها از معماری های مستقر آموخته می شوند و سپس می توان از آنها برای کاهش فضای جستجو با دور انداختن معماری های غیرمجاز استفاده کرد.جستجو در فضای جستجوی تصفیه شده می تواند عملکرد جستجو و کارآیی را برای کارهای جدید NAS تقویت کند.برای این منظور ، یک چارچوب انتقال اصل طراحی (LLM) با استفاده از مدل بزرگ (LLM) طراحی شده است.در LAPT ، LLM به طور خودکار اصول طراحی را از مجموعه ای از معماری های داده شده دلایل می دهد ، و سپس یک روش سازگاری اصلی برای اصلاح این اصول به تدریج بر اساس نتایج جستجوی جدید اعمال می شود.نتایج تجربی نشان می دهد که LAPT می تواند روشهای پیشرفته TNAS را در بیشتر کارها ضرب و شتم کند و به عملکرد قابل مقایسه بر دیگران برسد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.