本文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
主要作者及机构
该研究由Qingling Zhu、Yeming Yang、Songbai Liu、Qiuzhen Lin和Kay Chen Tan共同完成。Qingling Zhu、Yeming Yang、Songbai Liu和Qiuzhen Lin来自深圳大学计算机科学与软件工程学院，Kay Chen Tan则来自香港理工大学数据科学与人工智能系。该研究于2025年发表在IEEE Transactions on Emerging Topics in Computational Intelligence期刊上。
学术背景
生成对抗网络（Generative Adversarial Networks, GANs）在图像合成、图像翻译、图像编辑和超分辨率等人工智能任务中取得了显著成功。然而，GANs的训练过程存在不稳定性问题，且其网络架构设计通常需要大量领域知识和耗时的实验。为了应对这些问题，神经架构搜索（Neural Architecture Search, NAS）技术应运而生，它可以自动探索不同的网络架构，从而提升网络性能和泛化能力。然而，NAS通常面临计算成本高、搜索时间长和搜索结果不稳定的挑战。本研究旨在通过提出一种基于采样和聚类的神经架构搜索算法（SCGAN），来解决这些挑战，提高搜索效率和生成质量。
研究目标
本研究的主要目标是开发一种高效的神经架构搜索算法，能够在GANs的庞大搜索空间中找到高质量的架构，同时减少搜索时间和提高搜索稳定性。具体目标包括：
1. 提出一种约束采样策略，限制架构的参数容量，以提高搜索效率。
2. 设计一种聚类选择策略，通过分解选择和层次聚类机制提高搜索稳定性。
3. 在CIFAR-10和STL-10数据集上验证SCGAN的性能，并与现有的NAS-GAN方法进行比较。
研究流程
研究流程包括以下几个步骤：
1. 初始化：从生成器的超网络（supernet）中随机采样GAN架构，并计算其参数容量。如果参数容量在合理范围内，则将其加入初始种群。
2. 超网络训练：使用单路径一次性训练技术（Single Path One-Shot, SPOS）对种群中的GAN架构进行训练，并更新超网络的权重。
3. 繁殖：通过交叉和变异操作生成新的子代架构，并确保其参数容量符合约束条件。
4. 选择：使用多目标聚类选择策略（Multi-objective Clustering Selection, MCS）对父代和子代种群进行评估，选择性能最优的GAN架构。
研究对象与样本量
研究在CIFAR-10和STL-10数据集上进行。CIFAR-10包含50,000张训练图像和10,000张测试图像，分辨率为32×32。STL-10包含100,500张图像，分辨率为96×96，研究中将其调整为48×48。搜索空间包含约10^15种可能的网络架构，搜索过程中每代种群包含32个个体，训练和评估时种群规模分别为32和64。
实验方法
1. 约束采样策略（PCS）：计算每个生成器架构的参数容量，并丢弃超出合理范围的架构。
2. 聚类选择策略（MCS）：通过分解选择和层次聚类机制对种群进行评估和选择。
3. 单路径一次性训练技术（SPOS）：用于更新生成器超网络的权重，确保训练过程的稳定性。
数据分析
研究使用以下指标评估GAN架构的性能：
1. Inception Score (IS)：评估生成图像的清晰度和多样性，值越高表示性能越好。
2. Fréchet Inception Distance (FID)：评估生成图像与真实图像在特征空间中的距离，值越低表示性能越好。
3. FLOPs：评估模型的计算复杂度，值越低表示计算成本越低。
4. 参数数量：评估模型的参数规模，值越低表示模型越紧凑。
主要结果
1. 搜索效率：SCGAN仅需0.4 GPU天即可在包含约10^15种网络架构的搜索空间中找到高质量的GAN架构。
2. 生成质量：在CIFAR-10数据集上，SCGAN找到的GAN架构的IS得分为9.68±0.06，FID得分为5.54；在STL-10数据集上，IS得分为12.12±0.13，FID得分为12.54。
3. 模型紧凑性：SCGAN找到的架构参数数量仅为MMD-AdvNAS的38.3%和EWSGAN的57.6%，表明其具有更高的计算效率。
结论
本研究提出的SCGAN算法通过约束采样和聚类选择策略，显著提高了GAN架构搜索的效率和稳定性。实验结果表明，SCGAN在CIFAR-10和STL-10数据集上均优于现有的NAS-GAN方法，具有较高的生成质量和计算效率。该研究为GAN架构搜索提供了一种高效的解决方案，具有重要的科学和应用价值。
研究亮点
1. 新颖的约束采样策略：通过限制架构参数容量，提高了搜索效率。
2. 创新的聚类选择策略：通过分解选择和层次聚类机制，增强了搜索稳定性。
3. 高效的搜索性能：在庞大搜索空间中仅需0.4 GPU天即可找到高质量的GAN架构。
4. 广泛的应用前景：SCGAN在图像生成任务中表现出色，可应用于图像合成、图像翻译等领域。
其他有价值的内容
研究还对约束采样参数c进行了敏感性分析，发现c=2.0和c=2.5时模型性能最佳。此外，研究详细分析了SCGAN找到的最优生成器架构，发现其倾向于使用双线性上采样操作和3×3卷积操作，这为未来的GAN架构设计提供了有价值的参考。