EM-DARTS：用于眼动识别的分层可微架构搜索

由于眼动生物特征具有高度安全的识别能力，它受到了越来越多的关注。尽管深度学习模型在眼动识别方面取得了成功，但其架构在很大程度上依赖于人类先验知识。可微神经架构搜索以高搜索效率自动化了架构设计的手动过程。然而，DARTS 通常堆叠多个单元以形成卷积网络，这限制了架构的多样性。此外，DARTS 通常使用比评估阶段更浅的网络来搜索架构，在搜索和评估阶段之间造成了显著的架构深度差异。为了解决这个问题，我们提出了 EM-DARTS，一种分层可微架构搜索算法，用于自动设计眼动识别的深度学习架构。首先，我们定义了一个超网络，并提出了一种全局与局部交替的神经架构搜索方法，通过可微神经架构搜索交替寻找最优架构。局部搜索策略旨在为不同的单元寻找最优架构，而全局搜索策略负责优化目标网络的架构。为了最小化冗余，提出使用转移熵来计算每层的信息量，从而进一步简化网络搜索过程。在三个公开数据集上的实验结果表明，所提出的 EM-DARTS 能够产生最优架构，从而实现 SOTA 的识别性能，{具体而言，使用 EM-DARTS 开发的识别模型在 GazeBase 数据集上达到了 0.0453 的最低 EER，在 JuDo1000 数据集上为 0.0377，在 EMglasses 数据集上为 0.1385。