DEGAS：可微分高效生成器搜索
计算机视觉与模式识别
2021-01-01 v3 机器学习
摘要
网络架构搜索（NAS）在分类和语义分割等各种任务中取得了当前最优（SOTA）结果。最近，提出了一种基于强化学习的方法来搜索生成对抗网络（GAN）。在本工作中，我们提出了一种替代的 GAN 搜索策略，使用一种称为 DEGAS（可微分高效生成器搜索，Differentiable Efficient GenerAtor Search）的方法，其侧重于高效地在 GAN 中找到生成器。我们的搜索算法受可微架构搜索策略和全局隐变量优化（GLO）过程的启发。这带来了高效且稳定的 GAN 搜索。在找到生成器架构后，它可以被插入任何现有的 GAN 训练框架中。对于我们工作中使用的 CTGAN，新模型在 CIFAR-10 上比原始初始分数结果高出 0.25，在 STL 上高出 0.77。它还在更短的搜索时间内取得了比基于强化学习的 GAN 搜索方法更好的结果。
引用
@article{arxiv.1912.00606,
title = {DEGAS: Differentiable Efficient Generator Search},
author = {Sivan Doveh and Raja Giryes},
journal= {arXiv preprint arXiv:1912.00606},
year = {2021}
}
备注
appeared at NeurIPS 2019, Meta-Learning Workshop