Index

1. Аннотация и позиционирование

CNN-NEAT решает задачу автоматического поиска архитектур (Neural Architecture Search, NAS) для свёрточных нейронных сетей с использованием эволюционного алгоритма NEAT [1]. В отличие от классического NEAT [1], применяемого к полносвязным сетям, каждое ребро DAG является операцией Conv2d. Классификатор (binary head) не входит в геном и не эволюционирует — это осознанное архитектурное решение, обеспечивающее разделение представления и принятия решения.

Задача: CIFAR-10 в постановке «один против всех» (one-vs-rest) — 10 независимых бинарных задач, по одной для каждого из 10 классов. Положительный класс задаётся параметром positive_class ∈ {0,…,9}.

Позиционирование относительно методов NAS:

Метод	Стратегия поиска	Пространство	GPU-эффективность
CNN-NEAT (данная работа)	Нейроэволюция (NEAT)	DAG свёрток	Адаптивная (VRAM-контроллер)
DARTS [2]	Дифференцируемая релаксация	Ячейки	Высокая
ENAS [3]	Контроллер (RL) + weight sharing	Ячейки	Высокая
Random NAS [4]	Случайный поиск	Произвольная	Средняя
AmoebaNet [5]	Регуляризованная эволюция	Ячейки	Средняя

Ключевые принципы дизайна:

Принцип	Описание
Граф = архитектура	Топология DAG и веса свёрток на рёбрах эволюционируют совместно
Классификатор снаружи	Binary head (sum+sigmoid) фиксирован; не входит в геном
Детерминированная геометрия	Размеры kernel/padding выводятся из node_sizes, не мутируют произвольно
Кэш исполнения	DAG компилируется в ExecutionPlan один раз; форвард — O(|E|) без пересчёта топологии
Фиксированные каналы (baseline)	C_in = C_out = 3 на каждом ребре; опционально — переменные каналы

---