多条件图扩散用于神经架构搜索

神经架构搜索（Neural Architecture Search, NAS）通常通过探索庞大而复杂的架构搜索空间，实现神经网络架构的自动化设计。为推动架构搜索技术的发展，本文提出一种基于图扩散的NAS方法，该方法利用离散条件图扩散过程生成高性能的神经网络架构。随后，我们进一步提出一种多条件无分类器引导（multi-conditioned classifier-free guidance）策略，应用于图扩散网络中，以联合施加高精度与低硬件延迟等多重约束。与现有方法不同，我们的方法具有完全可微性，且仅需一次模型训练即可完成。在六项标准基准上的实验评估表明，该方法能够在极短时间内（每种架构生成时间不足0.2秒）快速生成新颖且独特的网络架构，展现出卓越的效率。此外，通过在ImageNet数据集上的实验，我们进一步验证了该方法的泛化能力与高效性。