FR-NAS: 前向和后向图预测器用于高效的神经网络架构搜索

原文约300字，阅读约需1分钟。发表于：。

通过使用图神经网络作为性能预测器，将神经架构转化为向量表示，并使用定制训练损失来提高预测准确性。在多个基准数据集上进行的实验结果表明，与其他图神经网络预测器相比，预测准确性显著提高，Kendall-tau 相关性增加了 3% 至 16%。

本文介绍了GIAug，一种用于DNN架构扩增的方法，通过图同构机制生成多元化注释架构，适用于各种预测模型。实验证明，GIAug能显著提高同行预测器性能，并在ImageNet上节省计算成本。