CVPR 2020: SGAS，一種基于貪心思想的CNN/GCN網絡結構搜索算法
SGAS詳細方案
針對退化的搜索評估相關性這一重要的問題，我們提出了SGAS（SequentialGreedy Architecture Search），一種順序貪心決策的搜索算法。
圖2 SGAS的網絡結構搜索示意圖
我們基于貪心算法的思想將網絡結構的搜索問題，轉化為逐步地選擇一條邊并確定其運算的子問題。實驗證明，依次解決這些簡單的子問題，可以讓最終結構具有更高的搜索－測試相關性。算法的迭代過程如算法1所示。
在每個決策時期，我們根據預先確定的選擇標準選擇一條邊（i＾｛＋｝， j＾｛＋｝）。通過用公式（3）得到這條邊的運算，并替換相應的混合運算o＾｛ar｝。所選擇的運算，即是所選的邊基于貪心的最優選擇。每當確定好一條邊的運算，我們就不再需要這條邊的結構參數lpha（i＾｛＋｝， j＾｛＋｝））以及混合操作中其余路徑的權重，我們可以將這條邊從后續的優化中去除。這樣可以帶給我們一個額外的好處是：優化問題得到了剪枝，進而可以提高搜索的效率。一條邊被剪枝后，剩下的超網絡以及參數形成一個新的子問題，該子問題將被以相同的算法迭代求解。在搜索階段的最后，便得到一個沒有權重共享的離散子網絡，如圖2所示。SGAS算法基于順序貪心算法，減少了在搜索階段和評價階段的模型不一致性和權重共享的副作用，使得模型的搜索－測試相關性最大化。
在SGAS中，選擇標準的設計至關重要。我們考慮影響邊的選擇的三個重要因素：邊的重要性，選擇確定性和選擇穩定性。
邊的重要性：如果這條邊的非零運算選擇的可能性越高，表明這條邊越重要。
選擇確定性：熵（entropy）是分布用度量不確定性的常。非零運算的歸一化權重可以看作是一種分布：
我們將選擇確定性定義為一減去操作分布的歸一化熵：
選擇穩定性：為了讓選擇更穩定，我們需要考慮選擇確定性的歷史分布。直方圖相交［48］是檢測分布變化的常用方法，我們利用直方圖相交來計算第T步中的前K時間的邊的平均選擇穩定性：
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
最新活動更多
- 1 AI狂歡遇上油價破百，全球股市還能漲多久？ | 產聯看全球
- 2 OpenAI深夜王炸！ChatGPT Images 2.0實測：中文穩、細節炸，設計師慌了
- 3 6000億美元估值錨定：字節跳動的“去單一化”突圍與估值重構
- 4 Tesla AI5芯片最新進展總結
- 5 連夜測了一波DeepSeek-V4，我發現它可能只剩“審美”這個短板了
- 6 熱點丨AI“瑜亮之爭”：既生OpenClaw，何生Hermes？
- 7 AI界的殺豬盤：9秒刪庫跑路，全員被封號，還繼續扣錢！
- 8 2026，人形機器人只贏了面子
- 9 DeepSeek降價90%：價格屠夫不是身份，是戰略
- 10 AI Infra產業鏈卡在哪里了？
