学习搜索空间边界以改进 supernet 训练

基于摘要分析。本文研究神经架构搜索（NAS）对人工设计搜索空间的依赖，提出在 supernet 训练过程中学习可微策略，逐步细化宽泛的初始搜索空间，以推进网络设计流程的自动化。 核心机制是把搜索空间细化作为可学习过程，而不是预先依赖强先验构造小型候选空间。原问题存在两难：小搜索空间限制 NAS 的灵活性，而未经充分细化的大搜索空间可能使搜索方法表现不稳定。摘要未提供策略的参数化方式、空间边界的具体表示、优化目标或训练调度，这些机制细节尚未验证。 作者报告，在缺少强先验的任务中，该方法能够从初始大型复杂搜索空间中持续发现性能较好的子空间，提升所得 supernet 的鲁棒性，并改善多种模型规模下的性能。作者还称，该方案基本不依赖特定搜索空间，与多数现有 NAS 流程改进可兼容，且相较标准 supernet 训练只增加少量开销。摘要未给出任务、数据集、评价指标、对照方法名称及量化结果；实验协议、消融及统计信息尚未验证，不能据此确定收益幅度或普适性。 平台推测（待验证）：若 EEG 解码中的架构选择同样受候选空间过大、先验不足影响，可假设训练中学习搜索空间边界有助于提高搜索稳定性。可复用的是空间细化策略，需改造的是 EEG 候选算子、输入通道处理和任务评价目标；该假设依赖可训练的候选架构空间及足以区分候选性能的数据。低信噪比、小数据和跨被试差异可能使边界学习偏向偶然有效的结构。一个可证伪的小实验是：在固定 EEG 数据划分、初始搜索空间和计算预算下，对比标准 supernet 训练与加入空间细化的版本，以独立测试集评估搜索结果及跨随机种子的稳定性。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。