要約
ネットワークアーキテクチャ探索（NAS）は、分類やセマンティックセグメンテーションなどのさまざまなタスクにおいて、最先端の成果を達成している。近年、生成対抗ネットワーク（GAN）のアーキテクチャ探索に対して、強化学習に基づくアプローチが提案されている。本研究では、GAN探索のための代替戦略として、生成器の効率的な探索に焦点を当てた手法であるDEGAS（Differentiable Efficient GenerAtor Search）を用いる方法を提案する。本研究の探索アルゴリズムは、微分可能なアーキテクチャ探索戦略およびグローバルな潜在変数最適化（GLO）プロセスに着想を得ており、効率的かつ安定したGAN探索を実現する。生成器のアーキテクチャが探索された後は、既存の任意のGAN学習フレームワークに容易に統合できる。本研究で用いたCTGANに対して、新しいモデルはCIFAR-10では元のインセプションスコア比で0.25、STLでは0.77向上し、従来の強化学習ベースのGAN探索手法と比較して、より短い探索時間で優れた結果を達成した。