OptiRouette 优化器：一种实现收敛速度提升最高5.3倍的随机元优化器

本文提出OptiRouette，一种在训练期间选择更新规则的随机元优化器，区别于固定单一优化器。该方法结合热身优化器锁定、从活跃优化器池中随机抽样、优化器转换时的兼容性感知学习率缩放以及故障感知池替换。OptiRouette实现为即插即用的“torch.optim.Optimizer兼容”组件，并封装为pip安装包。我们在五个图像分类数据集上完成了10次随机种子实验：CIFAR-100、CIFAR-100-C、SVHN、Tiny ImageNet和Caltech-256。相较于单优化器AdamW基线，OptiRouette在CIFAR-100上的平均测试准确率从0.6734提升至0.7656（提升9.22个百分点），在CIFAR-100-C上从0.2904提升至0.3355（提升4.52个百分点），在SVHN上从0.9667提升至0.9756（提升0.89个百分点），在Tiny ImageNet上从0.5669提升至0.6642（提升9.73个百分点），在Caltech-256上从0.5946提升至0.6920（提升9.74个百分点）。其主要优势在于更可靠的收敛性：在更高的目标精度下，OptiRouette在10/10次实验中均达到CIFAR-100/CIFAR-100-C 0.75、SVHN 0.96、Tiny ImageNet 0.65和Caltech-256 0.62的验证准确率，而AdamW基线在预算内未能达到任何目标。针对共享目标，OptiRoulette还缩短了达到目标的时间（例如Caltech-256在0.59时的epoch数为25.7 vs 77.0）。所有数据集的配对随机种子差值为正值；目前10次随机种子研究中，唯一一个未达到统计显著性的指标是CIFAR-100-C测试ROC-AUC。