提出背景:尽管过去几年深度神经网络在极具挑战的任务上取得成功,以及越来越多样化的feature设计和架构设计的出现,但是设计深度模型架构依然需要很强的专业知识以及大量时间。
本文:提出了基于梯度(gradient-based)NaS方法(如下图),此工作是基于对‘一个神经网络的结构和连通性可以被一串可变字符来明确定义’的认知,因此可以通过一个循环网络(即controller)来生成string,在真实数据集上训练被这一string明确规定的网络(即child network)并在验证集上产生准确度。用这一准确度作为反馈信号,我们可以计算policy gradient以更新controller。最终,在下一次迭代中,controller将使架构以更高的概率获得更好的准确度,也就是说,controller将通过迭代学会提高搜索网络的准确度。
相关工作:
1、超参数优化(Hyperparameter optimization )应用广泛,缺陷:只能在固定长度的空间中搜索models。其中贝叶斯优化方法允许可变长度搜索,但是相较于本文缺少通用性和灵活性。
2、进化算法(Modern neuro-evolution algorithms)更灵活但是不实用,它们的局限性在于它们是基于搜索的方法,因此速度慢,或者需要许多启发式方法才能很好地工作。
3、NaS与program synthesi