在序列到架构潜空间中进行贝叶斯优化的零样本 NAS

基于摘要分析。本文研究计算机视觉模型的零样本神经架构搜索（Zero-Shot NAS），通过学习序列到架构的潜空间，将贝叶斯优化用于大规模架构搜索，并把多个零样本代理指标标量化为统一搜索目标。 核心机制是使用 Variational Autoencoder（VAE）重构作者提出的架构前缀编码，以获得用于搜索的潜在表示。其动机是：传统零样本 NAS 常采用进化算法（EA），而直接在高维、离散、图结构的架构空间中应用贝叶斯优化存在扩展性困难。作者认为，潜空间表示可缓解这一困难，贝叶斯优化则能显式建模目标并累积各轮搜索信息。摘要未披露编码规则、VAE 训练数据与损失细节、潜变量到有效架构的解码约束，以及代理指标组合方式。 作者报告，在给定模型参数量约束下，搜索算法运行 10,000 次迭代、耗时为单 GPU 上的 8 小时，找到的架构在图像分类、目标检测和语义分割三项任务上取得作者所称的最先进结果。摘要未给出数据集、任务指标、参数量上限、GPU 型号、对照基线及下游训练协议，因此无法据此核对优势幅度或公平比较不同方法。实验协议、消融及统计信息尚未验证。摘要声称提供搜索代码、潜空间模型和发现的架构，但所列地址含 HiddenForReview 占位名称，实际可访问性及复现条件尚未验证。 平台推测（待验证）：若能为 EEG 网络建立可解码的架构编码，这种“潜空间搜索＋多代理目标”机制可能用于受参数量与计算预算约束的 EEG 架构搜索。可复用的是搜索框架，需改造的是架构表示、训练架构库与代理指标；主要风险是视觉任务代理在低信噪比、小数据和跨被试条件下不能可靠预测 EEG 泛化性能。一个可检验的小实验是在固定 EEG 架构空间与相同评估预算下，对比潜空间贝叶斯优化、EA 和随机搜索，固定被试内或跨被试划分，核对代理排序与实际训练后性能的相关性及搜索收益。已有 EEG 相关工作尚未检索确认，原文结果不构成 BCI 有效性的证据。