شافلي-ناس: اكتشاف مساهمة العمليات في البحث عن البنية العصبية

في هذه الورقة، نقترح طريقة تعتمد على قيمة شابلي لتقييم مساهمة العمليات (Shapley-NAS) في عملية بحث الهياكل العصبية. تُحقّق طريقة بحث الهياكل القابلة للتفاضل (DARTS) الهياكل المثلى من خلال تحسين معاملات الهيكل باستخدام الانحدار التدريجي، مما يقلل بشكل كبير من تكلفة البحث. ومع ذلك، فإن حجم معاملات الهيكل التي يتم تحديثها بواسطة الانحدار التدريجي لا يُمكنه الكشف عن الأهمية الحقيقية للعمليات بالنسبة لأداء المهمة، وبالتالي يُضعف فعالية الهياكل الناتجة. على العكس، نقترح تقييم التأثير المباشر للعمليات على دقة التحقق. ولمعالجة العلاقات المعقدة بين مكونات الشبكة الفائقة (supernet)، نستخدم قيمة شابلي لقياس المساهمات الحدية للعناصر، مع أخذ جميع التوليفات الممكنة بعين الاعتبار. بشكل خاص، نُحسّن بشكل تكراري أوزان الشبكة الفائقة، ونُحدّث معاملات الهيكل من خلال تقييم مساهمات العمليات باستخدام قيمة شابلي، بحيث تُستخلص الهياكل المثلى من خلال اختيار العمليات التي تسهم بشكل ملحوظ في إنجاز المهام. وبما أن الحساب الدقيق لقيمة شابلي يُعد من المشكلات التي تُصنف ضمن فئة NP-صعبة، فإننا نستخدم خوارزمية تعتمد على عينات مونت كارلو مع قطع مبكر لتقريبها بكفاءة، كما نطبّق آلية التحديث بالزخم لتقليل التذبذبات الناتجة عن عملية الاستخلاص العشوائي. أظهرت التجارب الواسعة على مختلف مجموعات البيانات ومساحات البحث المختلفة أن Shapley-NAS يتفوّق على أحدث الطرق المطروحة بمقدار ملحوظ، مع تكلفة بحث خفيفة. يمكن الوصول إلى الشفرة المصدرية عبر الرابط: https://github.com/Euphoria16/Shapley-NAS.git