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

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

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

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

该论文提出了一种名为 GEA 的新型引导神经结构搜索方法，该方法使用零代理估计器在每个代际初始化阶段生成和评估多个架构，然后从现有架构生成多个后代并同时驱动探索和剪枝，结果表明 GEA 在多个数据集上都取得了最先进的结果。

Jul, 2022

本文提出了一种高效的 NAS 算法，用于生成具有多个竞争目标的任务特定模型，在标准基准数据集上表现优异，且搜索效率大幅提高，并在六个不同的非标准数据集上证明了该方法的有效性和多样性。

Jul, 2020

我们提出了一种称为 EGANS 的进化生成对抗网络搜索方法，通过自动设计具有良好适应性和稳定性的生成网络，实现可靠的视觉特征样本合成，以推进零样本学习。

Aug, 2023

本文提出了一个名为 SANE 的框架，用于自动设计数据特定的 GNN 体系结构，并通过设计新颖且具有表现力的搜索空间和更有效的可微搜索算法，解决了 NAS 方法面临的计算难题。在四项任务和七个真实世界的数据集上的实验结果表明，SANE 在效率和效果方面比现有的 GNN 模型和 NAS 方法更为优异。

Apr, 2021