这篇文档属于类型a，即报告了一项原创性研究。以下是对该研究的学术报告：
作者与机构
本研究由Haesung Jo和Changhee Joo共同完成，两人均来自韩国高丽大学（Korea University）的计算机科学与工程系。该研究发表于2024年的期刊《Neurocomputing》第573卷，文章编号为127187。
学术背景
本研究的主要科学领域是生成对抗网络（Generative Adversarial Networks, GANs）和神经架构搜索（Neural Architecture Search, NAS）。GANs在计算机视觉、异常检测、翻译和最优控制等领域取得了显著成果，但其网络架构通常依赖人工经验设计，耗时且难以找到最优架构。为了自动化这一过程，NAS技术应运而生，它能够自动搜索最优网络架构。然而，针对GANs的NAS（称为GANAS）在搜索过程中存在不稳定性，主要原因是GAN性能评估的随机性。为了解决这一问题，本研究提出了AutoGAN-DSP框架，通过引入确定性评分预测器来稳定GANAS的搜索过程，并设计了一种新的两阶段架构和参数选择流程，以平衡计算成本和架构性能。
研究流程
本研究的主要流程包括以下几个步骤：
问题定义与框架设计
研究者首先指出了RL（强化学习）基GANAS的不稳定性问题，并将其归因于GAN性能评估的随机性。为了解决这一问题，研究者提出了AutoGAN-DSP框架，该框架结合了确定性评分预测器和RL基搜索策略，旨在稳定搜索过程并提高搜索效率。
确定性评分预测器的引入
研究者开发了两个独立的评分预测器，分别用于预测IS（Inception Score）和FID（Fréchet Inception Distance）评分。这些预测器基于图卷积网络（Graph Convolution Network, GCN）构建，能够以确定性的方式输出评分，从而减少评估结果的随机性。预测器的训练与架构搜索过程同步进行，以确保其准确性。
基于单元的设计与搜索策略
研究者采用了基于单元（cell-based）的搜索空间设计，通过逐步构建生成器的单元结构来缩小搜索空间。每个单元的结构由卷积、归一化、上采样和跳跃连接等操作组成。搜索策略采用了软演员-评论家（Soft Actor-Critic, SAC）算法，这是一种基于最大熵RL框架的离线策略算法，具有较高的样本效率。
两阶段架构与参数选择流程
为了平衡计算成本和架构性能，研究者设计了一种两阶段的选择流程。在第一阶段，通过筛选过程初步选择候选架构；在第二阶段，对这些候选架构进行微调和参数优化，最终基于多次测试评估结果对架构进行排序。
实验与评估
研究者在CIFAR-10和STL-10数据集上进行了实验，评估了AutoGAN-DSP的性能。实验结果表明，AutoGAN-DSP在搜索稳定性和架构性能方面均优于其他RL基GANAS方案。此外，研究者还通过多次随机种子实验验证了AutoGAN-DSP的稳定性。
主要结果
1. 搜索稳定性提升
通过引入确定性评分预测器，AutoGAN-DSP显著降低了搜索过程中的不稳定性。多次随机种子实验表明，AutoGAN-DSP的搜索结果具有较低的方差，搜索结果的FID评分标准差仅为AutoGAN的25%。
架构性能优化
AutoGAN-DSP在CIFAR-10数据集上取得了最佳的FID评分（10.72），并且在STL-10数据集上表现出较强的迁移能力。与其他GANAS方案相比，AutoGAN-DSP的搜索结果在IS和FID评分上均具有竞争力。
计算效率提升
通过两阶段选择流程，AutoGAN-DSP在保证性能的同时显著降低了计算成本。与全量评估相比，两阶段流程仅需15%的计算时间即可完成架构和参数选择。
结论
本研究提出的AutoGAN-DSP框架通过引入确定性评分预测器和两阶段选择流程，有效解决了RL基GANAS的不稳定性问题，并显著提升了搜索效率和架构性能。该研究不仅为GANs的自动化设计提供了新的思路，还为其他生成模型的NAS研究提供了参考。
研究亮点
1. 确定性评分预测器的创新应用
本研究首次将确定性评分预测器引入GANAS，有效减少了评估结果的随机性，为稳定搜索过程提供了新方法。
两阶段选择流程的设计
通过两阶段流程，研究者在保证性能的同时显著降低了计算成本，为NAS的实际应用提供了可行方案。
实验验证的全面性
研究者在多个数据集上进行了实验，并通过多次随机种子验证了AutoGAN-DSP的稳定性和性能，实验结果具有较高的可信度。
其他有价值的内容
研究者还探讨了AutoGAN-DSP在其他神经网络NAS中的扩展潜力，并与其他采用预测器的NAS方案进行了对比，进一步凸显了本研究的创新性和应用价值。
这篇研究为GANs的自动化设计提供了重要的理论和方法支持，具有较高的科学价值和实际应用前景。