CVPRDec, 2019

AdversarialNAS: GANs 的对抗性神经架构搜索

PDF
TL;DR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。
neural architecture searchadversarialnasgenerative adversarial networksunconditional image generationstate-of-the-art
发现论文，激发创造
  • AutoGAN: 生成对抗网络的神经结构搜索

    本文介绍了一项有关 AutoGAN 的初步研究，这是将神经架构搜索算法引入生成对抗网络中的首个尝试。通过使用 RNN 控制器来引导搜索生成器构架的变化，实验结果验证了 AutoGAN 在无条件图像生成任务中的有效性，并与当前最先进的手工制作的 GANs 相比，取得了高竞争性的表现。

    Aug, 2019

  • 生成对抗神经架构搜索

    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

  • EAGAN: 用于 GAN 的高效双阶段进化架构搜索

    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

  • CycleGANAS：CycleGAN 的可微分神经架构搜索

    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

  • 图神经网络的对抗鲁棒性神经架构搜索

    我们提出了一种名为 G-RNA 的新型鲁棒神经结构搜索框架，它为消息传递机制提供了一个鲁棒的搜索空间，并定义了一个鲁棒度量来指导搜索过程，可以有效地搜索到最优的鲁棒性较强的 GNN， 在对基准数据集进行的广泛实验结果中，G-RNA 在对抗攻击下优于手动设计的鲁棒性 GNN 和基本的图形 NAS 基线 12.1％至 23.4％。

    Apr, 2023

  • AGAN: 自动设计生成对抗网络

    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

  • 鲁棒神经架构搜索

    本研究提出一种名为 Robust Neural Architecture Search 的新型神经架构搜索方法，使用正则化项来平衡准确性和鲁棒性，并使用噪声样本而非对抗样本来搜索架构。实验证明，该方法在图像分类和对抗攻击方面均达到了最先进的性能，并取得了准确性和鲁棒性之间的良好平衡。

    Apr, 2023

  • DEGAS: 可微分高效生成器搜索

    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

  • AlphaGAN: 针对生成式对抗网络的全可微架构搜索

    本文介绍了一种全可微分搜索框架 alphaGAN，用于优化生成式对抗网络（GANs）的网络架构。实验表明，该算法可以在仅使用 3 GPU 小时的情况下有效地优化高性能结构，且搜索过程是一种双层极小极大优化问题，采用全可微分的方式。

    Jun, 2020

  • 通过从数据集学习生成图形实现快速神经架构搜索

    本文提出了一种高效的神经架构搜索（Neural Architecture Search, NAS）框架，基于元学习的跨模态潜空间，结合预训练的网络库和数据库，可以快速地为新数据集搜索神经架构，并且还提出了一种元性能预测器来从多个未见数据集中预估和选择最佳的神经架构。实验结果表明，该模型受过 ImageNet-1K 的元学习并结合 NAS-Bench 201 搜索空间的神经架构，在包括 CIFAR-10 和 CIFAR-100 等多个未见数据集上成功泛化，平均搜索时间为 33 GPU 秒，即使在 MobileNetV3 搜索空间下，它比具有相似性能的可转移 NAS 方法 NSGANetV2 快 5.5K 倍。我们认为这为快速 NAS 和利用累积多年的数据集和架构的知识提出了新的研究方向。

    Jul, 2021