留一被试评估下的高效无泄漏神经架构搜索
arXiv cs.AI · · 发布于 2026-09-11 · 2 分钟阅读
留一被试评估用于估计基于被试的分类泛化性能，但会使神经架构搜索的计算成本很高：完全嵌套实现需要为每名被试分别进行独立架构搜索，在训练成本近似线性的假设下，复杂度随被试数量呈平方级增长。该研究提出一种无泄漏、基于分块的方法，使神经架构搜索运行可在不同被试间共享。在 BioVid 热痛数据集上，该方法将平均准确率从 82.79% 提高到 83.39%，同时参数量最多减少 99.2%。
研究问题
LOSO 评估用于基于受试者的分类泛化性能估计，但会让 NAS 计算成本高昂；完全嵌套实现需要 N 次独立架构搜索，训练成本近似线性时规模为 O(N^2)。
提出方法
提出一种无泄漏、基于分块的方法，在受试者之间共享 NAS 运行。
实验结果
在 BioVid Heat Pain 数据集上，平均准确率由 82.79% 提升到 83.39%，参数量最多减少 99.2%。
arXivLabs 说明
arXivLabs 是允许合作者在 arXiv 网站上开发和分享新功能的框架；参与者认同开放、社区、卓越和用户数据隐私等价值；arXiv 只与遵守这些价值的伙伴合作，并邀请社区提出项目想法。
SOURCES
共 1 个来源来源与引用
官方原文arXiv cs.AI 原始发布2026-09-11 · 一手信息https://arxiv.org/abs/2609.09433