AutoML 搜索空间与搜索策略的自动选择

基于摘要分析（所给材料为研究亮点，未取得论文全文）。本研究面向通用 AutoML 与神经架构搜索，尝试在给定数据集和搜索预算时，自动联合选择搜索空间与搜索策略，减少依赖人工预定义空间及固定策略搭配的设计。其主要研究对象是架构搜索流程，而非 EEG 或 BCI。 核心机制：vanilla LArST 将上述选择视为组合优化问题，利用 probing model 提取的元特征和基于决策树的方法选择搜索空间及搜索策略。材料还介绍了 layered architecture search tree（LArST），通过监督学习建立搜索空间与基础 cell 的直接联系，以探索跨数据集迁移。元特征的具体构成、监督目标、训练数据来源及搜索树结构尚未验证。 平台与目标：作者报告，不同操作在不同硬件平台上的表现存在差异，因此搜索空间设计应考虑平台与优化目标；方法旨在支持 GPU、x86 CPU、Power series CPU 等平台上的多目标 AutoML。材料引用既有研究说明 CNN 较早阶段可能更影响推理延迟，以及 CIFAR-10 上的基础 cell 可迁移至 ImageNet；这些引用不能视为本文已验证的结果。 结果与复现：作者报告性能有所提升，并称框架可接入既有架构搜索策略与搜索空间表示，但所给材料未展示具体指标、数值、对照与预算协议。实验协议、消融及统计信息尚未验证；复现需核对候选空间与策略集合、元特征提取成本、监督学习数据、总搜索开销及硬件延迟测量方式。 平台推测（待验证）：迁移假设是，数据集元特征与预算驱动的联合选择机制可能用于 EEG 解码中选择模型候选空间及搜索策略，而非直接迁移图像 CNN 的 cell。可复用选择框架，但需改造 EEG 元特征、时空操作集合和性能／延迟目标，并验证其对元训练数据规模的依赖。低信噪比、通道差异、小数据及跨被试分布变化可能使元特征和选择规则不稳定。一个小规模检验是在固定任务与等总计算预算下，用训练被试构建选择规则，在留出被试上比较联合选择与固定空间／固定策略，并计入 probing 成本、隔离测试标签。已有 EEG 相关工作尚未检索确认。