AutoGAN: 生成对抗网络的神经结构搜索
本文提出了一种专为生成对抗网络(GAN)设计的 AdversarialNAS 方法,它是第一种能够同时搜索生成器和鉴别器架构的方法,并且不需要计算任何额外指标以评估搜索架构性能,该方法在 CIFAR-10 上取得了新的最优状态下的 FID 分数 10.87 和高竞争的 Inception Score 8.74,并且也在 STL-10 上取得了新的最优状态下的 FID 分数 26.98 和 Inception Score 9.63。
Dec, 2019
本文提出了具有可证明收敛保证的生成式对抗网络 NAS (GA-NAS),并基于权重的鉴别器提供的奖励,采用增强学习训练生成器,探索搜寻空间而无需评估大量体系结构,通过三个公共 NAS 基准测试,在多个情况下 GA-NAS 都能打败已发布的最佳结果,同时 GA-NAS 可以处理特定搜寻约束和空间,能用于改进其他 NAS 方法找到的优化基线的 ImageNet 准确性或参数数量。
May, 2021
我们为 CycleGAN 开发了一种神经架构搜索(NAS)框架,用于执行无成对图像到图像的翻译任务,并设计了由简单的基于 ResNet 的单元堆栈组成的架构,有效探索大搜索空间,并且成功解决了数据不平衡的问题。这是 CycleGAN 的第一个 NAS 结果,为更复杂的结构带来了启示。
Nov, 2023
本文提出一种基于多目标进化策略的两阶段神经结构搜索方法 (EAGAN),旨在稳定生成对抗网络(GANs)的训练过程以提高图像生成性能,实验结果表明其有效性。
Nov, 2021
本文提出了第一个专为 GAN 训练而设计的神经架构搜索算法 AGAN。通过 AGAN 在 CIFAR-10 数据集上的实验证明,该算法可以自动搜索到优于同一正则化技术下现有最先进模型的神经网络结构。在 $32 imes32$ 的分辨率下,该算法自动搜索的网络结构的表现也能够胜任监督学习任务,并且在其它图像生成任务中可进行迁移学习。
Jun, 2019
本文提出了基于强化学习的神经架构搜索方法,用于寻找生成对抗网络的最佳结构。结合马尔科夫决策过程和离线搜索算法能够提高搜索效率,该方法能够以较少的计算负担找到高竞争性的架构,获得更好的图像生成结果。
Jul, 2020
本研究提出了一种名为 DEGAS 的新型策略,旨在通过差分架构搜索策略和全局潜在优化过程,有效地找到对抗生成网络(GAN)中的生成器,在此基础上,在 CTGAN 模型上优于原始成果,并在较短的搜索时间内比基于强化学习的 GAN 搜索方法获得更好的结果.
Dec, 2019
GPT-NAS 是一种基于预训练模型的神经结构搜索算法,通过引入先验知识来大大减少搜索空间,从而优化神经网络架构,并在实验中取得了比其他七个手动设计的神经结构和竞争 NAS 方法提供的 13 个神经结构的好结果,并提高了经过精细调整的神经结构的性能。
May, 2023
本文探讨了一种新的神经架构搜索度量方式,发现损失曲面的平整度可以预测神经网络架构的泛化能力,通过在不同的搜索空间进行评估,提出的方法相对于现有的 NAS 方法表现更好,并且在数据分布偏移以及目标检测或语义分割等任务中具有稳健的泛化能力。
May, 2023
本研究提出一种名为 GraphNAS 的图神经网络结构搜索方法,可用于自动搜索最佳图神经网络架构,通过强化学习训练循环网络,实现生成变长字符串,针对验证数据集的期望准确性最大化,实验结果表明在传导和归纳性学习设置中的节点分类任务中,GraphNAS 具有一致更好的性能,并可设计出一种与最佳人工设计的结构相媲美的新型网络架构。
Apr, 2019