重新审视小样本学习中的神经网络：Zero-Cost NAS 视角

该研究面向小样本学习（FSL）中新任务的神经网络架构选择问题，提出由信息瓶颈（IB）理论驱动的 Few-shot Neural Architecture Search 框架 IBFS，旨在无需训练候选架构的情况下完成排序与选择，降低针对新任务重新搜索的成本。以下基于摘要分析，未取得论文全文。 研究动机是：为每个新任务从头开展 Neural Architecture Search（NAS）成本较高，而直接借用其他任务的架构可能并非最优。作者提出，可利用 IB 机制刻画候选架构的 expressivity，并据此构造面向 FSL 的 Zero-Cost 排序方法。作者还声称，仅考虑一阶损失景观即可保证 Model-agnostic meta-learning（MAML）的全局收敛；这一结论的假设、适用范围及其与架构排序指标的具体联系，均需通过正文核对。 作者报告，IBFS 在其 FSL 实验中取得最先进性能，并强调无需训练的架构选择过程。但摘要未提供数据集、任务构造、数据划分、对照方法或指标数值；“无需训练”是否仅指搜索阶段，以及最终任务评估是否涉及训练或适应，也尚未验证。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若该排序指标能够在少量带标签任务样本上稳定反映候选架构的适用性，它可能用于减少 EEG 小样本任务的架构筛选成本；这不是已证实的 BCI 效果。可复用部分是候选架构的免训练评分与排序流程，需改造的是 EEG 输入、通道组织和任务采样方式。低信噪比、通道差异及跨被试分布变化可能使评分受噪声或个体特征主导。一个可检验的小实验是在固定 EEG 任务与候选架构集合上，仅用训练划分计算 IBFS 排名，再以统一训练预算和独立评估划分检验其与实际表现排序的相关性，并与随机选择比较。已有 EEG 相关工作尚未检索确认。