近期，Uber的研究人员在一篇名为《Neural Architecture Search by Learning》的论文中提出了一种专用GAN——Generative Teaching Network (GTN) ，它可以生成数据和训练环境，让模型在接受目标任务测试之前先进行一些SGD步骤训练，而使用GTN再合成数据训练的神经网络比利用真实数据训练得更快。论文还表示，在利用GTN-NAS搜索新的神经网络架构时，速度比使用实际数据快9倍，而且使用的计算量比典型NAS方法少几个数量级。
生成对抗网络（英语：Generative Adversarial Network，简称GAN）是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。
GTN，一种深度学习网络
Generative Teaching Network，生成式教学网络，简称GTN，是Uber在近期的一篇论文中提出的深度神经网络，它可以自动生成综合训练数据，较一般利用真实数据训练的方法，能够实现9倍加速的神经体系结构搜索。在理论上，GTN可以生成任何类型的数据或训练环境，并用于监督学习、无监督学习和强化学习，这是一种通用方法。
GTN就像生成对抗网络（GAN）中的生成器一样，它生成完全人工的数据，供少数学习步骤使用。之后，GTN会通过识别经典MNIST数据集中手写图像的方式对初始化神经网络进行评估，从而提供正在优化的元损失目标。然后，通过元梯度在整个学习过程中进行区分更新GTN参数以提高目标任务的性能。
GTN可以自由创建不真实的数据，从而可以比真实数据更快地学习。例如，GTN可以将有关许多不同类型对象的信息组合在一起，或者主要将训练重点放在最难的示例上。
为验证GTN，Uber 的研究人员还利用GTN合成的数据在神经网络架构搜索（NAS）中进行实验，并在CIFAR-10数据集中进行了测试，结果显示GTN对NAS所产生的最佳架构有显著改进。
神经网络架构指的某些设计的选择，例如神经网络应具有的层数，每层应有多少个神经元，哪些层应连接到哪一层等。
GTN-NAS，将GTN合成数据用于NAS
为了搜索神经网络架构，Uber研究人员采用了许多论文 的思想，即寻找一个小的神经网络模块，然后通过预设的蓝图将其重复组合，以创建各种大小的神经网络架构。一旦发现了高质量的模块，就可以使用它创建一个更大的网络，然后对它进行训练并与实际数据融合，以实现目标任务的收敛。
在GTN-NAS中，最终目标是找到一种性能最佳的神经网络架构。而通过实验，Uber研究人员发现GTN生成的数据可以预测出神经网络架构的真实性能（对于GTN估计的前50％神经网络架构，其Spearman等级相关系数为0.56）。例如，根据GTN的快速估算，排名前10％的神经网络架构都具有较高的性能（见下图蓝色方块）。这就意味着研究人员可以使用GTN生成的数据，快速评估多种神经网络架构，进而识别出一些优质的架构，将其放在真实数据集上训练之后，就能够较为容易的找出在目标任务上具有高性能的神经网络。
另外，在整个实验过程中，Uber的研究人员还发现如果想要得到与GTN生成数据执行128个SGD步骤相同的结果，则需要对真实数据执行1200个SGD步骤，换句话说，使用GTN生成的数据比使用真实数据进行神经网络架构搜索快9倍。
NAS 需要大量的计算资源，它在完整的数据集上训练，直到所产生神经网络的性能不再提高，再选出性能最佳的神经网络，但这种重复执行的过程往往非常昂贵和缓慢。
写在后面
在机器学习中，标记数据的重要性不言而喻，但生成此类数据既耗时又昂贵。Uber的GTN提供了一种新的选项，它可以学习自动生成数据，使新的神经网络快速学习任务；而且通过GTN，研究人员不仅能够快速评估新神经网络架构的学习潜力，还能很好地探索新的、性能更佳的神经网络架构。