【NeurIPS 2019】7篇自动化神经网络搜索(NAS)论文简读- 专知

【NeurIPS 2019】7篇自动化神经网络搜索(NAS)论文简读

【导读】Neural Architecture Search（NAS），即自动化神经网络搜索，虽然早被谷歌在2017 年提出，直到今年才大行其道，屡屡在顶会舞台亮相。笔者从刚刚公布的NuerIPS 2019 接收名单里，找出已经公开了论文的7 篇文章，根据发布时间排序，并做简短的解读。

作者：陈美济

学校：兰州大学

1.《自动化神经网络搜索用于深度主动学习》以色列理工学院

推荐指数：★★☆☆☆

Deep Active Learning with a NeuralArchitecture Search

https://arxiv.org/abs/1811.07579

简介：深度主动学习着力解决数据缺少标注的问题，主动从大量未标注的数据中检索已标注数据来进行训练。深度主动学习的潜力巨大，比如放射显影图像需要专业的医学诊断，这样的数据很难大规模标注。先前的研究中，针对特定任务，神经网络结构是固定的，主要聚焦于有效的检索机制。本文提出的主动学习策略是，在学习过程同时在线搜索神经网络结构，即结构随学习过程一起变化。作者对比了三种已知的检索方法（softmax 响应，蒙特卡洛dropout，及核心集合），加入NAS 之后效果远超固定网络结构的方法。

短评：本文将NAS 搜索和主动学习耦和，交叉进行，提升了现有主动学习的的水平，结合点比较好。但NAS 方法比较朴素，只用于这个特定任务和数据集。搜索空间是堆叠相同block 的方式，而block 用了ResNet 基本单元。可变部分是block 个数和stack 个数，空间比较有限。验证每个结构的能力用了early stopping，只训练了50 个epoch。

2.《DetNAS:目标检测主干网搜索》中科院，旷视

推荐指数：★★★★☆

DetNAS: Backbone Search for ObjectDetection

https://arxiv.org/abs/1903.10979

简介：目标检测一般使用分类的主干网，文章认为从分类迁移到检测可能是次优，所以提出设计直接服务于检测的网络。本文基于单次训练超网（one-shot supernet），提出检测主干网搜索方案：超网在ImageNet 上做预训练，检测任务上做精调，然后在训练后的超网中进行搜索，用检测任务作为评价指标。最后结果在COCO 数据集上以更少的FLOPs 超过了ResNet-50/101。可以看出，ImageNet 仍然是迁移能力很强的数据集。如果超网直接从COCO 来训练，结果是不是会更好呢？文章也做了对比实验，相同训练成本下，ImageNet 预训练还是占优。

短评：NAS 用于OD 是众望所归，本文是目标检测领域一篇NAS 力作，也是旷视先前工作SPOS 的延续。优点在于复用了给分类训练的超网，然后接入固定的检测后端FPN 在COCO上做精调训练。最后搜索过程用了主流方法之一演化算法，以COCO 为验证集来评估模型性能。虽然目前还是集中于主干网，但为以后主干和后端同时搜索奠定了基础。

3.《可变换结构搜索用于网络剪枝》悉尼科技大学，百度研究院

推荐指数：★★★☆☆

Network Pruning via TransformableArchitecture Search

https://arxiv.org/abs/1905.09717

简介：剪枝可以降低网络的过参数化。原有方法限制了宽度和深度，有结构限制。本文引入NAS 以后摆脱了这种限制，可以有更灵活的通道数和深度。具体地，剪枝网络是抽样K 个网络的叠加，网络参数和抽样分布的概率随剪枝网络训练（最小化其loss）一起更新，概率最大的参数即为最后剪枝模型的通道数和层数。如果各抽样网络通道数不同时，采取插值方式补齐。实验数据集是CIFAR-10/100，ImageNet，结果超过现有剪枝方法。

短评：NAS 用于剪枝，也是个不错的点。本文NAS 师法DARTS，基本思想相同，待剪枝的网络相当于超网，结构和参数一起优化，最后找出概率最大的那支。不同之处在于结构参数在DARTS 中是各个op 的参数，此处是channel size。

4.《SpArSe：用于受限资源微控制器的稀疏网络结构搜索》ARM ML 研究院，普林斯顿大学

推荐指数：★★★☆☆

SpArSe: Sparse Architecture Search for CNNs on Resource-Constrained Microcontrollers

https://arxiv.org/abs/1905.12107

简介：广泛的IoT 设备使用微控制器MCU 作为运算单元，因为计算、存储、功耗资源的限制，神经网络模型需要做专门针对性的设计。本文将设计问题考虑为多目标优化过程（验证集精度、模型大小、内存占用），其中内存占用是根据输入和各层权重估算得到的。IoT 端内存有两个核心限制条件，模型参数量不能超过ROM 容量，中间层最大运算结果不能超过RAM 容量，本文对两个条件都做了相应的处理。另外搜索空间表示为DAG，允许灵活的深度、宽度和连接。卷积运算操作有普通卷积、可分离卷积、另外单独定义了深度降采样卷积。优化过程为贝叶斯方法（MOBO）。

短评：NAS 用于受限资源场景，为IoT 服务，是大趋势和方向。不止IoT 设备，移动端也是受限资源问题，所以使用多目标优化是很自然的。本文使用了贝叶斯方法（优化过程）、模型态射（morphism，用于最大程度地参数共享）、剪枝（非结构化剪枝用稀疏可变Dropout，结构化剪枝用贝叶斯压缩），和传统方法比结果也取得SOTA，属于在没有防空的领域，用NAS 完胜是合理的。

5. 《高效的前向结构搜索》卡耐基梅隆大学，微软研究院

推荐指数：★★★☆☆

Efficient Forward Architecture Search

https://arxiv.org/abs/1905.13360

简介：本文提出叫做Petridish 的NAS 方法，对已有网络层上迭代式增加短连接，脱胎于集成学习中的梯度提升（Gradient boosting）。命名为“前向”是与固定搜索空间的逆推最优模型方法（比如DARTS ）的“反向”以示区别。原先的NAS 选择不同的block，相当于选择不同的特征，本文方法是选择不同的层间连接和选择特征揉在一起，分别使用弱学习（weaking learning）和模型训练（model training）来解。所有可能的连接是加权在一起优化的，每一步选其中一个子集。文章还实验对比了主流的两种搜索空间下的表现，即相同cell 堆叠的SS，和更宏观的由不同block 组合的SS。实验数据集采用CIFAR-10 ，并迁移到ImageNet，但未达到NAS 模型的SOTA。

短评：灵活连接在权重共享型NAS 当中是个不好解决的问题，本文引入集成学习的方法做了有意义的尝试。但结果目前看还不太理想。文中坦承方法中最关键的点是分摊（amortization），即weak learning 和模型训练的成本有固定的比例。

6.《含专家经验的神经网络搜索》阿里巴巴集团

推荐指数：★★★☆☆

XNAS: Neural Architecture Search with Expert Advice

https://arxiv.org/abs/1906.08031

简介：本文将NAS 看作是持续学习中的选择任务。持续学习的主要思想是，世界（数据分布）一直在变，每次做得不要比平均水平差，和最好的专家相比有所差距，所谓后悔（regret）一点，这是当下知识和未知未来情形的差距，是必须要付的代价。学习目标是最小化reget ，其代表方法是PEA（用专家经验预测）。标题中X 指EXpert。具体地，将DARTS 的搜索空间看作是PEA 的选择空间，在优化过程中用专家经验（reward）对搜索空间做剪裁（清除弱的专家）从而提高稳定性，提升搜索效率。这里reward 的概念可以类比强化学习中的PG。

短评：本文是DARTS 和持续学习（online learning）的交叉应用，属于组合式创新。结合点新颖，效果也比较好，CIFAR-10 上达到1.6% 的错误率，同量级上比现有NAS 模型更优，在ImageNet 上5M 参数量模型也有76%，属于比较好的结果。

7. 《高效的用于目标检测的通道级神经网络搜索》中国科学院大学，商汤，智能感知与计算研究中心

推荐指数：★★★☆☆

Efficient Neural ArchitectureTransformation Search in Channel-Level for Object Detection

https://arxiv.org/abs/1909.02293

简介：本文提出叫做NATS 的方法，在复用现有分类网络模型结构和权重基础上，为目标检测做变形设计。主要利用空洞卷积dilation（dx，dy）的特性，在不改变权重的情况下，将普通卷积转化为多个不同channel 输出的子空洞卷积，最后在channel 层面做结构优化，优化方法为GD。

短评：本文是DARTS 的细化，将op 级推进到channel 级，并用于OD ，且是对主干网的搜索，效果比ResNet50主干网模型在COCO 数据集上平均提升1 个点左右。复用分类结构和巧妙使用dilation，可以视为一种对已有模型的优化方法。

总结

以上就是NeurIPS 2019 公布的7 篇NAS 论文简要分析。由于DARTS 的开源，掀起了一波NAS 热潮，在相关领域的研究者结合原有方法和DARTS，在不同任务（主动学习、IoT、目标检测、剪枝）上做了跟进。值得注意的是DetNAS，将One-Shot 路线应用于目标检测，这是一个标志性事件，笔者大胆预测NAS 将会是未来视觉等各分领域的SOTA 收割机。

小米AutoML 团队招聘

掌握NAS 技术最好的方法，并不是一篇篇撸paper，闷头实现，而是加入最前沿的已经有积累的团队，快速切入，一起攻占深度学习下半场制高点。笔者实习的小米AutoML 团队从今年初提出了MoreMNAS和FALSR，到最近在两个月间发布的三部曲FairNAS，MoGA，SCARLET，对原有技术不断迭代更新，成果连连，引起了业界的广泛关注。好消息是团队最近正在大力招聘中，有意向的同学请注明暗号“专知”，发简历给zhangbo11@xiaomi.com，社招/校招/实习均可，具体JD 可查看阅读原文。

7篇论文便捷下载：

请关注专知公众号（点击上方蓝色专知关注）