English(EN) Leveraging AutoML for Sustainable Deep Learning: A Multi-Objective HPO Approach on Deep Shift Neural Networks

AutoML 优化深度迁移神经网络以提高效率和性能

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-22 11:53

研究人员开发了一种使用 AutoML 的多目标超参数优化方法，以提高深度迁移神经网络 (DSNNs) 的效率和性能。该方法专门针对图像分类任务，旨在平衡准确性与降低能耗和排放。该方法确定了 DSNN 配置，可将性能提高约 20%，同时将排放量减少 60% 以上，揭示了量化策略中细微的权衡。 AI

影响提供了一种在可能提高性能的同时减少深度学习模型环境影响的方法。

排序理由学术论文，详细介绍了优化深度学习模型的新颖方法。 [lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Marius Lindauer · 2026-06-22 11:53

Leveraging AutoML for Sustainable Deep Learning: A Multi-Objective HPO Approach on Deep Shift Neural Networks

Deep Learning (DL) has advanced various fields by extracting complex patterns from large datasets. However, the computational demands of DL models pose environmental and resource challenges. Deep Shift Neural Networks (DSNNs) present a solution by leveraging shift operations to r…