1. 학교나 기업의 전통적인 채용 프로세스는 먼저 서류나 추천 등으로 사람을 거르고 면접을 보는 것인데, 이것은 시간이 너무나 오래 걸리기 때문이다. 만약 우리가 NAS를 하면서 모든 모델을 학습시켜 정확도를 찍어보고 있다면, 수천명의 지원자를 면접하는 것과 같은 비효율적인 행위를 하는 것에 가까운 것이다. 2. 그렇다면 NAS에도 서류 전형을 도입할 수 있을까? 라는 아이디어에서 나온 것이 Neural Predictor인데, 이것은 몇 개의 아키텍쳐만 학습한 다음 Graph CNN을 이용해 아키텍쳐와 정확도에 대한 회귀 모델을 만드는 것이다. 3. Neural Predictor를 이용해 좋지 않은 모델을 미리 걸러냄으로써 기존 방법 대비 Sample Efficiency를 크게 향상시켰다.

https://arxiv.org/pdf/1908.08342.pdf 1. Multi-Objective RL이란 강화학습을 하는데 있어서 몇가지 objective가 있는 것을 뜻하는데, 가령 무언가를 조종할 때 안정성에 대한 리워드와 효율성에 대한 리워드가 둘 다 존재할 수 있다. 2. 이것을 여러 가지 objective의 linear combination으로 푸는 방법도 있지만, 본 논문에서는 아예 vectorized reward에 대해 학습할 수 있는 MDP와 Q function을 사용하며, 추가로 안정적인 학습을 위해 각 리워드들에 대한 중요도를 랜덤하게 샘플링하는 방법인 Envelope Q-Learning을 제안한다. 3. 실제로 이 방법은 adaptation(새로운 중요도에 적응) 과 성공율(리워드..

https://openaccess.thecvf.com/content_ECCV_2018/papers/Chenxi_Liu_Progressive_Neural_Architecture_ECCV_2018_paper.pdf 1. 기존 NAS는 무거운 RNN 셀과 RL을 사용하여 모델을 매번 처음부터 만들고 재학습시켜야 해서 되게 무겁고 비효율적이었다. 2. 그럼 재학습을 안 시키기 위해서 그냥 모델의 퍼포먼스를 프리딕션하는 모델을 만들고, 매번 만들지 말고 붙였다 뗐다 발전시켜나가는 방향의 NAS 시스템을 만들면 어떨까? 3. 기존 Zoph et al의 NAS보다 5배정도 빠른데다가, 아키텍쳐 성능도 정말 좋다!

https://arxiv.org/abs/1709.07417 Neural Optimizer Search with Reinforcement Learning We present an approach to automate the process of discovering optimization methods, with a focus on deep learning architectures. We train a Recurrent Neural Network controller to generate a string in a domain specific language that describes a mathematical arxiv.org 1. 뉴럴넷도 찾고, 활성화함수도 찾는데 옵티마이저라고 못 찾을 거 있나? 옵티마이..

https://arxiv.org/abs/1710.05941 Searching for Activation Functions The choice of activation functions in deep networks has a significant effect on the training dynamics and task performance. Currently, the most successful and widely-used activation function is the Rectified Linear Unit (ReLU). Although various hand-design arxiv.org 1. 그래, 렐루 좋은데 언제까지 렐루에만 안주할래? 우리는 오토매틱 서치로 새로운 액티베이션 펑션 만들거야! 2..

https://arxiv.org/abs/1611.01578 1. 근본적인 물음: 좋은 비전 아키텍쳐란 무엇이고 어떻게 표현할 수 있으며, 어떻게 만들어야 하는가? 꼭 사람이 만들어야 하는가? 2. NN은 결국 computational graph로 표현할 수 있다면, 노드들을 쌓아서 NN을 만들 수 있고, 결국 강화학습으로 해결 가능한 하나의 sequential decision making problem으로 해석할 수 있다! 3. 800개의 GPU를 갈아넣은 결과 기존에 찾아볼 수 없었던 구조의 새롭고 성능좋은 뉴럴넷이 탄생했으며, 이것은 “강화학습 기반 NAS”의 진정한 시작을 의미한다.