PulseAugur
中
实时 00:39:57
English(EN) From Code to Prediction: Fine-Tuning LLMs for Neural Network Performance Classification in NNGPT

LLM微调以从代码预测神经网络性能

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种方法，通过微调大型语言模型（LLM）来预测神经网络在图像分类任务上的性能。通过分析神经网络架构代码，LLM可以确定网络在两个数据集中的哪一个上表现更好。这种方法已集成到NNGPT框架中，并在LEMUR数据集上进行了测试，结果表明LLM可以从代码中提取比仅从数据集元数据中提取更多的预测信号。 AI

影响 展示了LLM推理神经网络代码的能力，有可能提高AutoML的效率。

排序理由 学术论文，详细介绍了微调LLM以完成特定分类任务的新方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

LLM微调以从代码预测神经网络性能

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Dmitry Ignatov ·

    从代码到预测：在NNGPT中微调LLM以进行神经网络性能分类

    Automated Machine Learning (AutoML) frameworks increasingly leverage Large Language Models (LLMs) for tasks such as hyperparameter optimization and neural architecture code generation. However, current LLM-based approaches focus on generative outputs and evaluate them by training…

  2. arXiv cs.CV TIER_1 English(EN) · Mahmoud Hanouneh, Radu Timofte, Dmitry Ignatov ·

    从代码到预测：在NNGPT中微调LLM以进行神经网络性能分类

    arXiv:2605.03686v1 Announce Type: cross Abstract: Automated Machine Learning (AutoML) frameworks increasingly leverage Large Language Models (LLMs) for tasks such as hyperparameter optimization and neural architecture code generation. However, current LLM-based approaches focus o…

相关实体

相关话题