知识卡片：CoRA-NAS：面向神经架构搜索的粗排序与锚点残差精修

一句话结论

CoRA-NAS 用零成本代理做粗排序，再以少量锚点的早期验证曲线和 ExtraTrees 残差修正进行低成本精修；在多个 NAS 基准上取得跨空间较稳健的排序表现，精修成本约为全训练候选集的 1%。

事件概述或研究问题

零成本代理可以低成本地给架构排序，但其可靠性会随搜索空间变化。该 arXiv 预印本提出 CoRA-NAS: Coarse Ranking and Anchor-Residual Refinement for Neural Architecture Search，即“粗排序 + 锚点残差”两阶段框架，把静态排序先验与低成本学习曲线精修结合起来，目标是在不依赖全训练架构—精度标签拟合排序器的情况下，提高跨搜索空间的架构排序与选择能力。

方法/产品要点

• CoRA-Rank：聚合 capacity 与 structure-at-initialization 两类代理，通过等权 log-rank 共识和 target-free consensus gate 形成静态排序先验。
• CoRA-Refine：在该先验上采样 anchors，外推其早期验证曲线，并用 ExtraTrees 模型传播学习到的残差修正。
• 精修阶段成本约为完全训练候选集的 1%。
• 材料称，完全训练的架构—精度标签没有被用于拟合 ranker。
• 跨空间使用一套配置，但每个搜索空间使用特定的架构编码。

主要结果或产业意义

CoRA-Refine 在四个基准上的平均 Spearman 相关系数为：

• 其最差空间相关系数为 0.715，材料称这是对比方法中最高的。
• 在 NAS-Bench-201/CIFAR-100 上，其选出的架构达到 73.32% 准确率，接近报告中 ground-truth best 的 73.37%。
• 在 pure size space 上，精修恢复了静态先验相对于参数计数的不足，同时与最强 capacity proxies 在噪声范围内持平。
• 产业意义：面向低成本架构选择，强调跨搜索空间的排序稳健性，而不只是单一空间上的峰值表现。

为什么重要

NAS 落地常受限于训练成本，而零成本代理虽然便宜，却可能在不同搜索空间间不稳定。CoRA-NAS 的增量在于：它不把零成本代理当作最终排序器，而是将其作为粗排序先验，再用极少量锚点和学习曲线残差修正来纠正排序。与已有相关卡片相比，本条补充的是“零成本代理粗排序 + 锚点残差精修”的路线，强调跨空间稳健性与统一配置；已有卡片分别侧重 Transformer+ABC 节俭 NAS、LP-NAS 可微搜索、以及最优控制启发的深度自适应，并非同一事实。

局限与不确定性

• 本卡片仅依据 arXiv 摘要与元数据整理，未阅读完整论文正文。
• 论文是否经过同行评审、是否被会议或期刊录用：待核实。
• 代码、模型、数据是否开源：待核实。
• 对比方法的完整名单、统计显著性、误差棒、硬件与时间成本细节：待核实。
• “约 1% 成本”的计算口径、基准与硬件条件：待核实。
• NATS-SSS 的全称、任务设置与评价协议：待核实。
• “pure size space”具体指哪个搜索空间或数据集：待核实。
• 报告中 ground-truth best 73.37% 的来源与测试设置：待核实。
• 跨空间“one configuration”的超参数选择、空间特定架构编码细节、残差修正训练数据来源：待核实。

可用于图书/PPT/简报的角度

• 零成本代理不是终点：粗排序先验 + 少量锚点精修的两阶段范式。
• 跨搜索空间稳健性：最差空间表现比单空间峰值更值得关注。
• 成本—精度权衡：约 1% 全训练成本，接近 ground-truth best。
• 统一配置 + 空间特定编码：一种可迁移的 NAS 评估设计。
• 基准视角：NAS-Bench-201、NAS-Bench-101、TransNAS-Bench-101、NATS-SSS 上的 Spearman 相关性对比。
• 与可微 NAS、强化学习 NAS、深度自适应方法并列时，可作为“代理排序 + 残差修正”路线案例。

原始材料

• 英文标题：CoRA-NAS: Coarse Ranking and Anchor-Residual Refinement for Neural Architecture Search
• 作者：Yifan Yang, Zhaoyan Wang, Zheng Gao, Xiaoyu Li, Jiaojiao Jiang
• arXiv ID：2609.11884v1
• 发布时间：2026-09-10T17:49:19Z
• 更新时间：2026-09-10T17:49:19Z
• 主要分类：cs.LG
• 分类：cs.LG, cs.CV
• Abstract URL：https://arxiv.org/abs/2609.11884v1
• PDF URL：https://arxiv.org/pdf/2609.11884v1
• 英文关键词（依据标题与摘要提取）：Neural Architecture Search; Zero-cost Proxies; Coarse Ranking; Anchor-Residual Refinement; Learning-curve Refinement; Spearman Correlation