生成对抗网络的神经架构搜索：全面综述与批判性分析

arXiv cs.LG 论文
neural-architecture-search generative-adversarial-networks survey review machine-learning deep-learning

摘要

本文全面综述了应用于生成对抗网络（GANs）的神经架构搜索（NAS）方法，对各类方法进行了分类，并强调了其优势与局限性。

arXiv:2606.26169v1 Announce Type: new Abstract: 神经架构搜索（NAS）已成为优化生成对抗网络（GANs）设计的关键技术，能够自动搜索有效架构，同时解决手动设计中的固有挑战。本文全面综述了应用于GANs的NAS方法，基于搜索策略、评估指标和性能结果等标准对各种方法进行了分类与比较。本综述强调了NAS在提升GAN性能、稳定性和效率方面的优势，同时指出了局限性及未来研究方向。关键发现包括：进化算法和基于梯度的方法在某些场景下具有优越性；除了传统的初始得分（IS）和弗雷歇初始距离（FID）等指标外，稳健的评估指标的重要性；以及在评估GAN性能时需要使用多样化的数据集。通过对现有NAS-GAN技术进行结构化比较，本文旨在指导研究人员开发更有效的NAS方法，推动GAN领域的发展。
查看原文
查看缓存全文

缓存时间: 2026/06/26 05:15 

# 用于生成对抗网络的神经架构搜索：综合评述与批判性分析
来源：https://arxiv.org/abs/2606.26169
查看PDF (https://arxiv.org/pdf/2606.26169)

> **摘要：**神经架构搜索（NAS）已成为优化生成对抗网络（GANs）设计的关键技术，它可以自动化搜索有效架构，同时解决人工设计固有的挑战。本文对应用于GANs的NAS方法进行了全面综述，根据搜索策略、评估指标和性能结果等标准对各种方法进行了分类和比较。综述强调了NAS在提升GAN性能、稳定性和效率方面的优势，同时也指出了其局限性及未来研究方向。主要发现包括：进化算法和基于梯度的方法在某些情境下具有优越性；除了传统的Inception Score（IS）和Fréchet Inception Distance（FID）等分数外，需要更为稳健的评估指标；以及在评估GAN性能时需要使用多样化的数据集。通过对现有NAS-GAN技术进行结构化比较，本文旨在指导研究人员开发更有效的NAS方法，推动GAN领域的发展。

## 提交历史

来自：Abrar Alotaibi [查看电子邮件 (https://arxiv.org/show-email/59cbf6e2/2606.26169)] **\[v1\]** 2026年6月24日星期三 08:29:58 UTC (1,288 KB)

相似文章

智能体神经架构搜索

arXiv cs.AI

介绍AgentNAS，一种利用大语言模型（LLM）生成初始架构并将其分解为槽位架构的机制，从而为传统神经架构搜索（NAS）定义任务特定的搜索空间，在17项任务中的11项上取得了最先进的结果。

使用MetaNCA的架构泛化

arXiv cs.LG

本文介绍了元神经细胞自动机（MetaNCA），这是一个学习局部更新规则以自组织神经网络权重而无须反向传播的框架，在MNIST和CIFAR-100上可扩展到200万参数的网络，并能泛化到未见过的架构。

生成式模型

OpenAI Blog

OpenAI 发布了关于生成式模型的概览，将其作为开发机器理解世界的方法，解释了这些模型如何通过学习生成与训练集相似的数据来工作，以及它们在各个领域的潜在应用。