適応度空間を推定する Surrogate Model を導入した TDGA AutoAugment の提案

カテゴリ: 部門大会

論文No: TC4-3-2

グループ名: 【C】2023年電気学会電子・情報・システム部門大会

発行日: 2023/08/23

タイトル(英語): A Novel AutoAugment using Surrogate Model-Based Thermodynamical Genetic Algorithm

著者名: 鷲野 拓海（大阪公立大学）,森 直樹（大阪公立大学）

著者名(英語): Takumi Washino (Osaka Metropolitan University),Naoki Mori (Osaka Metropolitan University)

キーワード: 機械学習|遺伝的アルゴリズム|データ拡張|サロゲートモデル|Machine Learning|Genetic Algorithm|Data Augmentation|Surrogate Model

要約(日本語): Data Augmentation (DA) はデータ主体の AutoML 手法であり，機械学習モデルの汎化性能を向上させるための有効な手法である．DA の自動化手法として，進化型計算を利用した TDGA AutoAugment (TDGA AA) が提案されており，その有効性が報告されている．しかしながら，TDGA における適応度評価に機械学習モデルを用いるため，大規模なモデルを用いる場合は多大な計算コストが必要となる．本研究ではこの問題を解決するため，実際の評価計算をせずに適応度を推定する surrogate model を用いることで計算時間を短縮可能な TDGA AA を提案する．提案手法の有効性を確認するため，CIFAR-10 と SVHN の 2 つのベンチマークデータセットを対象とした数値実験を実行し，提案手法が探索性能を維持したまま計算量を削減できることを示す．