Uber AI实验室已经开发了一种称为生成教学网络（GTN）的算法，该算法可为神经网络生成综合训练数据，与使用真实数据相比，该方法可使网络的训练速度更快。利用这些综合数据，Uber加快了9倍的神经体系结构搜索（NAS）深度学习优化过程。在arXiv上发表的一篇论文中，团队描述了该系统和一系列实验。GTN受神经体系结构搜索（NAS）问题的启发，该体系结构可以训练许多不同的深度学习模型结构，并选择对一组测试数据表现最佳的模型。尽管一种典型的方法是在完整数据集上针对多个迭代（或历元）训练每个模型，但这既耗时又昂贵。但是，可以在更短的时间内根据GTN的综合数据对模型进行训练，从而根据实际训练数据对模型的真实效果进行估算。因此，可以快速评估模型并缩短搜索时间。

研究人员表示：GTN神经架构搜索（GTN-NAS）与最先进的NAS方法相比具有竞争优势，该方法可实现最佳性能，同时使用的计算量要比典型NAS方法少几个数量级。

神经体系结构搜索是自动化机器学习（AutoML）的活跃研究领域。NAS的一个缺点是，它需要训练许多深度学习模型来确定哪种模型性能最佳。许多研究集中在有效地探索搜索空间上，这意味着该系统将训练较少的模型。相反，Uber的系统产生了一个新的数据集，该数据集允许对每个模型进行更少的迭代训练，从而使系统可以在相同的时间内尝试更多的模型。训练模型进行较少迭代的问题在于，在训练的早期阶段，大多数模型的性能均较差，并且需要多次迭代才能确定模型的真实性能。但是，研究表明，并非所有训练样本都是相同的，可以通过仔细选择输入样本来加快训练速度。Uber的想法是使用元学习来生成训练样本。类似于生成对抗网络（GAN），Uber的GTN训练了发电机神经网络，以为学习者网络生成训练样本。对学习者的真实测试数据进行评估，以产生“元损失”，而元损失的梯度会更新生成器。使用这项技术，Uber创建了一个生成器，该生成器生成了用于训练计算机视觉（CV）系统的样本，以识别MNIST数据集中的数字。CV系统仅需32个培训步骤就可以达到98.9％的准确性。在CIFAR10数据集上进行的类似实验中，Uber表明他们可以使用合成数据进行128个训练步骤来预测模型性能，而使用真实数据可以进行1200个步骤来预测模型性能，速度提高了9倍。

论文的作者Jeff Clune在推特上发布了一张由系统生成的合成图像数据的图片，称其为“异类和不现实”。他还说：

GTN生成的数据可以替代神经体​​系结构搜索中的真实数据，因此可以显着加快任何NAS算法的速度。到目前为止，我们只显示了适用于Random Search-NAS的内容，但我们希望看到其他人使用更高级的NAS方法来尝试！