[4I2-OS-1a] AutoML（自動機械学習）

[4I2-OS-1a-03] VGAEを用いたNeural Architecture Searchの探索結果の解釈性向上を目指した構造クラスタリング手法

〇逸見 一喜^1,2、谷垣 勇輝²、川上 健太^1,2、大西 正輝^2,1 (1. 筑波大学、2. 産業技術総合研究所)

キーワード：自動機械学習、ニューラルアーキテクチャサーチ、グラフニューラルネットワーク、人工知能、深層学習

Neural Architecture Search（NAS）はデータや目的に合わせてニューラルネットワークのモデルを自動的に最適化するAutoMLの手法である．NASは探索にかかる時間が大きく，新しいタスクごとに0からネットワークモデルを探索することは非効率であり，類似したモデルの構造探索が可能となればNASの効率化に繋がる．類似したネットワークモデルを探索するためにはモデルの特徴量からクラスタリングを行い可視化する方法が有効であると考えられる．しかし，ネットワークモデルの定量的な特徴量に基づいてモデルを分類することは困難であり，NASで探索したモデルの特徴を可視化する方法は現在確立されていない．そこで本研究では，グラフニューラルネットワークの手法であるVariational Graph Auto-Encoders（VGAE）を用いた機械学習によるアプローチで，ネットワークモデルの潜在特徴量の獲得を目指す．その結果，提案手法により類似したネットワークモデルの構造探索やモデルの構造比較が可能となった．