摘要
神经架构搜索（Neural Architecture Search, NAS）算法用于自动化深度神经网络的设计。由于这些算法需在大量候选网络中进行探索，并根据其性能表现进行评分以选择最优架构，因此针对特定数据集寻找最佳网络结构往往耗时较长。本文提出一种新型评估指标，该指标基于簇内距离（Intra-Cluster Distance, ICD）分数，用于衡量未训练模型区分数据的能力，从而近似评估其潜在性能。同时，我们采用一种改进的萤火虫算法（FireFly algorithm），该算法相较于基线萤火虫算法对局部最优问题具有更强的鲁棒性，作为搜索策略以寻找适配特定数据集的最佳神经网络模型。在多个NAS基准测试上的实验结果表明，所提出的ICD指标能够有效用于评估卷积神经网络（CNNs）与循环神经网络（RNNs）的性能，且所提出的改进萤火虫算法可显著提升当前最先进的无训练（training-free）方法的性能表现。