摘要
神经架构搜索（Neural Architecture Search, NAS）方法在图像任务中已取得显著成果。然而，现有NAS方法通常结构复杂，且在生成的网络架构表现出良好性能时，容易过早收敛至局部最优解。本文提出一种新型引导式NAS方法——GEA（Guided Evolutionary Architecture search）。GEA通过在初始化阶段利用零代理估计器（zero-proxy estimator）生成并评估多组候选架构，从而探索搜索空间；在每一代中仅保留得分最高的架构进行训练，并传递至下一代。随后，GEA在不增加计算复杂度的前提下，持续从现有架构中生成多个子代架构，不断提取搜索空间中的知识。此外，GEA通过后代生成机制强化对高性能架构的利用，同时通过父代突变实现探索，并优先选择较新的架构，抑制较旧架构的延续。实验结果表明，所提方法具有显著有效性，大量消融实验进一步验证了各关键参数的重要性。在NAS-Bench-101、NAS-Bench-201以及TransNAS-Bench-101三个基准数据集上，GEA均取得了当前最优（state-of-the-art）的性能表现。