Uma rede pode vencer durante a pesquisa e desiludir após um treino independente. Na pesquisa evolutiva, cada geração usa avaliações anteriores para decidir o que conservar. Uma classificação distorcida pode levar uma pesquisa mais longa na direção errada. EvoNAS liga a aprendizagem da super-rede, a avaliação dos candidatos e o compromisso entre precisão e custo de cálculo.
A pesquisa depende de avaliações fiáveis
Treinar cada candidato separadamente seria dispendioso. Partilhar pesos evita começar do zero, mas também liga as aprendizagens. A estrutura mais favorecida pelos parâmetros partilhados pode não ser a melhor após treino independente. Como a seleção define a geração seguinte, uma comparação distorcida pode desviar toda a pesquisa.
Uma super-rede partilha parâmetros entre arquiteturas. Contudo, o desempenho com pesos herdados pode não refletir o potencial de cada candidato. O trabalho submetido em 20 de março de 2026 propõe uma super-rede híbrida VSS–ViT e CA-DDKD, que alinha representações nos domínios espacial e de frequência. PST alarga progressivamente o treino de configurações maiores a variantes compactas.
Reconhecer um edifício é diferente de localizar os seus contornos com precisão. Na profundidade e na segmentação, um corrimão fino, uma esquina ou o limite com o fundo podem ser importantes. CA-DDKD usa restrições da transformada discreta do cosseno para ajudar a preservar esses detalhes geométricos. A posição espacial e as variações que definem contornos e texturas complementam-se.
A estratégia de treino torna-se parte do método de pesquisa. Melhores representações partilhadas dão uma base mais útil à comparação; aumentar apenas o número de candidatos não corrige uma classificação pouco fiável.
Comparar opções segundo as restrições
Na estimativa de profundidade, pode aceitar-se um compromisso de precisão para cumprir um limite de latência. A pesquisa multiobjetivo oferece várias alternativas. DMMPE avalia vários modelos com um conjunto de recursos GPU e escalonamento assíncrono. A escolha depende do hardware, dos dados e do protocolo de medição.
Os candidatos devem ser medidos em condições de hardware e execução comparáveis. A configuração de pesquisa define o que parece promissor; o novo treino revela o que a estrutura escolhida pode aprender. Ligar estas etapas permite regressar ao problema de classificação que motiva EvoNAS.
Antes de iniciar uma experiência
O percurso inclui pré-treino em ImageNet-1k, ajuste PST nos dados de destino, pesquisa evolutiva e novo treino da sub-rede escolhida. O guia abrange KITTI e NYU Depth v2 para profundidade, COCO para deteção e ADE20K para segmentação. Acompanhar um conjunto de dados através dos caminhos, configurações e objetivos ajuda a relacionar a pontuação de pesquisa com o modelo final.
O README continua a indicar que a transferência da super-rede pré-treinada necessária está por disponibilizar. Antes de começar, confirme a disponibilidade dos pesos e faça corresponder o wheel Mamba SSM ao ambiente Python, CUDA e PyTorch documentado.