DEGAS: بحث قابل للتفاضل في المُولِّد الفعّال

تحقيق شبكة الهيكل المعماري (NAS) نتائج متقدمة في مهام مختلفة مثل التصنيف والتقسيم الدلالي. في الآونة الأخيرة، تم اقتراح نهج يعتمد على التعلم التعزيزي لبحث شبكات التوليد التنافسية (GANs). في هذه الدراسة، نقترح استراتيجية بديلة لبحث GAN باستخدام طريقة تُسمى DEGAS (البحث التفاضلي الفعّال في التوليد)، والتي تركز على العثور بكفاءة على هيكل التوليد (Generator) في GAN. يُستمد خوارزمية البحث لدينا من استراتيجية البحث التفاضلي في الهيكل، وعملية التحسين العالمي للمساحة المخفية (GLO). هذا يُؤدي إلى بحث فعّال ومستقر في GAN. وبعد العثور على هيكل التوليد، يمكن دمجه بسهولة في أي إطار موجود لتدريب GAN. بالنسبة لنموذج CTGAN، الذي استخدمناه في هذه الدراسة، تفوق النموذج الجديد النتائج الأصلية لمؤشر الإينسيبت (Inception Score) بمقدار 0.25 على CIFAR-10 و0.77 على STL، كما حقق نتائج أفضل من الطرق القائمة على التعلم التعزيزي لبحث GAN في وقت بحث أقصر.