生成對抗網路的神經架構搜尋：綜述與批判性分析
本文全面綜述了應用於生成對抗網路（GAN）的神經架構搜尋（NAS）方法，比較了搜尋策略、評估指標和效能結果，強調了進化演算法和梯度方法的優勢，並指出了當前評估指標的不足及未來研究方向。
神經架構搜尋（Neural Architecture Search, NAS）作為自動機器學習的重要分支，近年來在生成對抗網路（GAN）的設計最佳化中展現出巨大潛力。一篇於2026年6月24日提交至arXiv的綜述論文（編號2606.26169）對NAS在GAN中的應用進行了全面回顧與批判性分析，系統分類並比較了不同方法在搜尋策略、評估指標及效能結果上的表現。該論文由Abrar Alotaibi等人撰寫，已被《Applied Sciences》期刊接收（2025年第15卷第7期）。
論文指出，NAS透過自動化搜尋過程，能夠有效克服手動設計GAN架構時面臨的挑戰，顯著提升模型的效能、穩定性和訓練效率。在搜尋策略方面，進化演算法與基於梯度的方法在特定任務中表現出優於其他方法的效能。然而，傳統評估指標如Inception Score（IS）和Fréchet Inception Distance（FID）存在侷限性，無法全面反映GAN的真實生成質量。因此，開發更魯棒的評估指標成為當前研究的重點之一。此外，使用多樣化資料集進行效能評估對於避免過擬合和提升泛化能力至關重要。
該綜述還識別了當前NAS-GAN方法的主要侷限：計算成本高、搜尋效率低、泛化能力不足等。未來研究應聚焦於設計更高效的搜尋空間、引入更穩定的訓練策略，以及探索多目標最佳化方法。透過提供結構化的比較框架，該論文旨在為研究人員開發更有效的NAS方法提供指導，進而推動GAN領域的整體進步。