神经架构搜索中性能预测模型的关键技术研究

课题名称: 神经架构搜索中性能预测模型的关键技术研究
学科专业: 计算机科学
课题关键词: 神经架构搜索性能预测模型架构表示学习
辅导模式: 1对1
发表目标: SCI期刊1-2区 CCF-C
课题介绍: 神经架构搜索（Neural Architecture Search, NAS）作为自动化机器学习的核心技术，旨在通过算法自动设计高性能神经网络架构，有效解决传统手动设计依赖专家经验、效率低下的局限。然而，NAS需对海量候选架构进行性能评估（如训练验证精度），直接训练评估的计算成本极高（如动辄数千GPU小时），成为制约其实用化的关键瓶颈。性能预测模型通过学习历史架构的特征与性能间映射关系，实现对未训练架构性能的快速预估，是降低NAS计算开销的核心手段。当前研究面临三大挑战：一是数据稀疏性，候选架构样本量有限导致模型泛化能力不足；二是架构表示学习，需有效编码网络拓扑、操作类型及超参数等复杂特征；三是跨场景迁移性，如何在不同数据集、任务间保持预测稳定性仍待突破。深入研究性能预测模型的关键技术，对提升NAS效率、推动自动化AI系统的部署具有重要理论与应用价值。

导师信息

科研导师

Dr. Li

985高校博士

导师介绍

研究领域：计算机视觉,缺陷检测,神经架构搜索,性能预测器,演化计算学术成果：已在ACM Computing Surveys，IEEE Transactions on Fuzzy Systems，IEEE Transactions on Evolutionary Computation , IEEE Transactions on Cybernetics等知名期刊及会议上发表论文14篇，其中，第一作者/第二作者发表论文8篇（含高被引3篇），Google引用200余次；担任TEVC、TNNLS、IOT、TAI、TCE、NeurIPS等20余个SCI期刊及国际会议审稿人；

招生要求

面向具有相关学科背景与研究兴趣的学习者，具体要求以课题导师评估为准。