HASH GAME - Online Skill Game GET 300

　　AV-NAS（Audio-Visual Neural Architecture Search）提出了一种多层语义音视频哈希架构搜索框架，能够在统一的搜索空间内自动寻找最优的多模态哈希网络结构。其整体模型如图 1 所示，网络结构包括输入特征提取、Encoder 编码模块、Fusion 融合模块、Transformation 语义变换模块和 Hash Layer 哈希模块等。AV-NAS 设计了一个高效的三阶段架构搜索策略，训练过程中采用对比学习中常用的 InfoNCE 损失作为优化目标。

　　AV-NAS 从 Transformer 中的 CrossAttention 机制汲取灵感，提出了一种基于 Mamba 的新型跨模态融合机制，称为 CrossSSM：它借鉴 Cross-Attention 的“用另一模态来调制当前模态”的思想，但将注意力机制替换为基于 SSM 的选择性扫描，从而以更高效的序列建模方式实现跨模态对齐与信息注入，如图 3 和 4。与此同时，搜索空间也保留了更轻量的融合策略，例如 Add、Hadamard 以及门控式融合，使模型能够在“复杂交互”与“高效融合”之间自动权衡，选择最适合数据的融合路径。

　　在同一 AV-NAS 搜索空间下，分别在 ActivityNet 与 FCVID 上得到两套最优结构 Arch-1 和 Arch-2。两者整体框架高度一致，Fusion 与 Transformation 基本相同，差异主要集中在 Encoder 的细节组件。搜索结果在视觉建模的选择上与专家先验一致（如关键帧的时空建模），但在音频时序建模上明显偏离常见选择：更倾向 “FFN + CNN” 组合，而不是纯 Transformer 或 Mamba，体现出 NAS 能发现更贴合音频特性的结构搭配。

　　表 1（行 3-11, 23-24 ）展示了 AV-NAS 的实验效果。AV-NAS 在 mAP 指标上整体优于其他方法，体现了其在大规模视频检索场景中的有效性；相较于 AVHash，提升具有统计显著性（p-value 0.05）。其中，Arch-1（ActivityNet 最优）与 Arch-2（FCVID 最优）分别取得了在各自数据集上的最高 mAP；在交叉测试中，由于两者结构高度相似、差异主要集中在 Encoder 细节，因此检索指标仍能保持在较高水平且波动很小。