该研究提出了 emoDARTS，这是一种经过 DARTS 优化的联合 CNN 和 SeqNN（LSTM，RNN）体系结构，可提高语音情感识别的性能。与以往的研究不同，我们没有对 CNN 的层次顺序施加限制，而是让 DARTS 在 DARTS 单元内选择最佳的层次顺序。通过在 IEMOCAP、MSP-IMPROV 和 MSP-Podcast 数据集上评估我们的方法，我们证明 emoDARTS 的表现优于传统设计的 CNN-LSTM 模型，并超过了通过 DARTS 在 CNN-LSTM 上取得的最好 SER 结果。

Mar, 2024

本文提出利用神经网络架构搜索技术以及统一路径随机失活策略来自动配置情感识别模型，实验证明在 IEMOCAP 上两个不同的神经结构都可以提高 SER 性能 (54.89% 到 56.28%) 并且可以保持模型参数大小，而且提出的随机失活策略也表现出更优的性能。

Mar, 2022

本研究针对 DARTS 的性能崩溃问题，提出采用更全局的优化方案，以更好地探索神经结构搜索空间，从而发现测试性能更佳、参数更少的神经网络架构。

Apr, 2021

提出了一种基于神经结构化学习的轻量化模型训练框架，能够在边缘设备上有效地实现语音情感识别，提高模型性能，并降低模型大小。

Oct, 2022

本文介绍了一种使用 DARTS-ASR 进行自动语音识别模型搜索的方法，并在多种语言和多种 ASR 设置中，相对于基线固定拓扑架构，在字符错误率方面取得了 10.2％和 10.0％的提升。

May, 2020

本文介绍了一种基于可微分的连续松弛方法来应对体系结构搜索的可扩展性挑战，该方法可在 CIFAR-10、ImageNet、Penn Treebank 和 WikiText-2 等数据集中快速搜索高性能的卷积体系结构和循环体系结构。

Jun, 2018

本文提出了一种结合可微分架构搜索（DARTS）和多分裂可逆网络的算法，以提高在序列到序列数据集上的性能，并优于传统 Transformers。

May, 2021

本文针对低资源语言，提出了一种语言特定的多预训练语音模型情感信息提取方法，设计了一种多领域模型，采用多门机制，并通过神经网络结构搜索模块为每种语言寻找特定的神经网络结构，并引入对比辅助损失来构建更可分离的音频数据表示。实验表明，该模型为德语和法语提高了 3％和 14.3％的准确率。

Oct, 2022

本篇论文提出了一种名为 P-DARTS 的算法来解决神经网络架构搜索中的 transfer learning 问题，并在 CIFAR10 数据集以及几个目标问题（包括 ImageNet 分类，COCO 检测和三个 ReID benchmarks）上实现了更好的性能。

Dec, 2019

借助 Differentiable Architecture Search，本研究提出了 sharpDARTS 搜索方式，该方式在 CIFAR-10 数据集上取得了相对错误率 20-30% 的进展，并在模型大小相似的情况下创下了目前最先进的 1.93% 的验证误差和 25.1% 的 ImageNet top-1 误差，同时，通过 Differentiable Hyperparameter Grid Search 和 HyperCuboid 搜索空间的设计和优化，本研究也证明了 sharpDARTS 更具通用性，提出了 Max-W 正则化以解决 DARTS 在新领域中的泛化问题。

Mar, 2019