新的神经架构搜索（NAS）方法优化神经网络的紧凑性和性能

研究人员开发了一个新的神经架构搜索（NAS）框架，该框架使用连续松弛来更有效地优化神经网络架构。这种方法，包括NAS-NG和NAS-MA等方法，允许在复杂、组合式搜索空间上进行可微分优化。在MNIST和CIFAR-10数据集上使用MLP和CNN模型进行的实验表明，这些方法可以识别出具有竞争力或改进的预测性能的紧凑型架构，其性能优于DARTS等现有方法，并减少了参数数量。 AI

影响 这些方法可能导致跨各种架构的更高效、更高性能的神经网络模型。

排序理由 该集群包含一篇详细介绍新型神经架构搜索方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• CIFAR-10
• CNNs
• DARTS
• MNIST database
• NAS-NG
• NAS-NGMA
• Recurrent Neural Networks
• transformers

• 论文
• 模型发布

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