研究人员开发了一种新的神经集成搜索（NES）方法，解决了优化单个模型架构及其集成组合的计算挑战。该方法利用两个独立的代理模型来估计预测准确性和多样性潜力，从而有效地指导搜索过程。这种双目标策略旨在识别单独强大且集体多样化的架构，在Fashion-MNIST、CIFAR-10和CIFAR-100等数据集上表现优于标准基线。 AI
影响 这项研究通过改进创建多样化且高性能的集成模型的过程，可能带来更高效、更强大的深度学习模型。
排序理由 该集群描述了一篇详细介绍神经集成搜索新方法的最新研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.26940v1 Announce Type: new Abstract: Ensembles are a standard way to improve the performance and robustness of deep neural networks, but their effectiveness crucially depends on both the quality and the diversity of individual models. Most neural architecture search (N…
Ensembles are a standard way to improve the performance and robustness of deep neural networks, but their effectiveness crucially depends on both the quality and the diversity of individual models. Most neural architecture search (NAS) methods are computationally expensive. Exten…