PWSNAS：以通用搜索空间缩减框架增强权重共享 NAS

基于摘要分析。本文研究神经架构搜索（NAS）中权重共享超网络对候选架构性能估计不准确、波动较大的问题，提出 PWSNAS，通过自动、渐进地剔除较不重要的候选算子，缩小搜索空间，以辅助既有 NAS 方法寻找更优架构。原论文的主要研究对象是通用架构搜索，而非 EEG 或 BCI。 机制上，DARTS 与 One-Shot 方法通过共享超网络参数避免逐个候选模型从头训练，但共享权重下的评估可能不够可靠。PWSNAS 提出两项引导搜索空间缩减的策略：以新的角度指标识别冗余算子，以及通过增加参数降低超网络的权重共享程度。摘要未给出角度指标的计算对象、公式、算子剔除规则及参数扩展方式，不能据此还原具体实现。 作者报告，在 NASBench-201 的分析实验中，该角度指标优于基于准确率和幅值的指标；作者还报告，将 PWSNAS 应用于 SPOS、FairNAS、ProxylessNAS、DARTS 和 PDARTS 等方法时，相对基线获得一致的性能收益。摘要没有提供具体分数、数据划分或搜索预算，实验协议、消融及统计信息尚未验证。复现时需核对评估指标、搜索与训练成本，以及参数增加是否影响不同方法间的预算可比性。 平台推测（待验证）：若 EEG 解码采用权重共享 NAS，候选排序不稳定可能成为对应瓶颈，PWSNAS 的算子筛选机制可作为待测试模块；但需要明确 EEG 输入结构、候选算子集合与监督任务，并重新验证角度指标在低信噪比、小样本、通道变化和跨被试条件下是否仍有效。一个可证伪的小实验是在固定 EEG 任务、被试划分及搜索预算下，对比原始 NAS 与加入 PWSNAS 的版本，检查共享权重评估排序与独立训练后表现的一致性，同时记录计算成本与多次运行波动。已有 EEG 相关工作尚未检索确认，此迁移假设不构成已验证的 BCI 收益。