生成对抗网络的神经架构搜索：综述与批判性分析
本文全面综述了应用于生成对抗网络（GAN）的神经架构搜索（NAS）方法，比较了搜索策略、评估指标和性能结果，强调了进化算法和梯度方法的优势，并指出了当前评估指标的不足及未来研究方向。
神经架构搜索（Neural Architecture Search, NAS）作为自动机器学习的重要分支，近年来在生成对抗网络（GAN）的设计优化中展现出巨大潜力。一篇于2026年6月24日提交至arXiv的综述论文（编号2606.26169）对NAS在GAN中的应用进行了全面回顾与批判性分析，系统分类并比较了不同方法在搜索策略、评估指标及性能结果上的表现。该论文由Abrar Alotaibi等人撰写，已被《Applied Sciences》期刊接收（2025年第15卷第7期）。
论文指出，NAS通过自动化搜索过程，能够有效克服手动设计GAN架构时面临的挑战，显著提升模型的性能、稳定性和训练效率。在搜索策略方面，进化算法与基于梯度的方法在特定任务中表现出优于其他方法的性能。然而，传统评估指标如Inception Score（IS）和Fréchet Inception Distance（FID）存在局限性，无法全面反映GAN的真实生成质量。因此，开发更鲁棒的评估指标成为当前研究的重点之一。此外，使用多样化数据集进行性能评估对于避免过拟合和提升泛化能力至关重要。
该综述还识别了当前NAS-GAN方法的主要局限：计算成本高、搜索效率低、泛化能力不足等。未来研究应聚焦于设计更高效的搜索空间、引入更稳定的训练策略，以及探索多目标优化方法。通过提供结构化的比较框架，该论文旨在为研究人员开发更有效的NAS方法提供指导，进而推动GAN领域的整体进步。