摘要
近期研究（White 等，2020a；Yan 等，2020）揭示了神经架构搜索（Neural Architecture Search, NAS）中架构编码的重要性。这些编码用于表征神经架构的结构信息或计算信息。相较于结构感知型编码，计算感知型编码能够将具有相似性能的架构映射至相近区域，从而提升下游架构搜索的效率（Zhang 等，2019；White 等，2020a）。在本工作中，我们提出一种基于 Transformer 的计算感知编码方法——CATE（Computation-Aware Transformer-based Encoding）。与现有基于固定变换（如路径编码）的计算感知编码不同，CATE 采用成对预训练策略，利用具备交叉注意力机制的 Transformer 模型学习计算感知编码，所获得的编码能够蕴含神经架构中密集且上下文相关的计算信息。我们在小型和大型搜索空间下，针对三种主要依赖编码的 NAS 子流程，将 CATE 与十一种现有编码方法进行了对比实验。实验结果表明，CATE 显著提升了下游搜索性能，尤其在大规模搜索空间中优势更为突出。此外，跨搜索空间的实验进一步验证了 CATE 在训练以外搜索空间中仍具备优异的泛化能力。相关代码已开源，地址为：https://github.com/MSU-MLSys-Lab/CATE。