NAS新方法：准确率冲上83.39%，参数量暴减99.2%！
Efficient Leakage-Free Neural Architecture Search under Leave-One-Subject-Out Evaluation
📖 AI 总结
本文针对留一被试交叉验证（LOSO）场景下神经架构搜索（NAS）计算成本过高的问题展开研究。由于完整嵌套实现需要为每个被试独立执行一次架构搜索，在训练成本近似线性的假设下，总体复杂度达到O(N²)，严重制约了NAS在基于被试分类任务中的应用。作者提出一种无泄漏、基于分块的搜索方法，通过在多个被试间共享NAS运行过程来降低计算开销。在BioVid热痛数据集上的实验表明，该方法将平均准确率从82.79%提升至83.39%，同时参数量最多减少99.2%。该工作为被试级分类任务中高效、无数据泄漏的架构搜索提供了可行方案，在保证甚至提升性能的同时大幅压缩了模型规模与搜索成本。
🔑 关键词速览
| Leave-One-Subject-Out (LOSO) | 留一被试交叉验证，每次留出一个被试作为测试集、其余被试作为训练集的评估协议，用于衡量模型对新被试的泛化能力。 |
| Neural Architecture Search (NAS) | 神经架构搜索，自动搜索最优神经网络结构的方法，通常计算开销较大。 |
| Leakage-Free | 无泄漏，指在评估过程中避免测试被试的信息以任何形式影响训练或架构搜索，保证评估结果可靠。 |
| Block-Based Approach | 基于块的方法，将数据或搜索过程划分为若干块，使不同被试之间可以共享部分搜索运行，从而降低计算成本。 |
| BioVid Heat Pain Dataset | BioVid 热痛数据集，一个用于基于生理信号（如面部视频、生理信号）进行疼痛强度分类的公开数据集。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅