视觉识别的主动发现与主动假设探索

我们引入了 HypoExplore，这是一个代理框架，它将视觉识别的神经架构发现制定为假设驱动的科学探究。给定人类指定的高级研究方向，HypoExplore 通过进化分支来构思、实现、评估和改进神经架构。使用 大语言模型 创建新假设，通过选择要建立的父假设，并以平衡利用已验证原则与解决不确定原则的双重策略为指导。我们提出的框架维护一个轨迹树，记录所有提出的架构的谱系，以及一个假设记忆库，主动跟踪通过实验证据获得的置信度分数。每次实验后，多个反馈代理从不同角度分析结果，并将其结果整合为假设置信度更新。我们的框架在 CIFAR-10 上进行了发现轻量级视觉架构的测试，最好达到 94.11% 的准确率，从 18.91% 的根节点基线演变而来，并推广到 CIFAR-100 和 Tiny-ImageNet。我们通过在 MedMNIST 上进行独立的架构发现运行，进一步证明了其对专业领域的适用性，这产生了最先进的性能。我们表明，随着证据的积累，假设置信度分数的预测能力越来越强，并且学到的原理在独立的进化谱系中转移，这表明 HypoExplore 不仅可以发现更强大的架构，而且可以帮助建立对设计空间的真正理解。