English(EN) Model-Free Surrogate-Assisted Neural Architecture Search for Evolving Variable-Length Dense Blocks

新的MFSPNet方法大幅降低神经架构搜索成本

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-02 11:32

研究人员开发了MFSPNet，一种新颖的无模型代理辅助神经架构搜索方法，旨在降低设计深度神经网络的计算成本。该方法将一个轻量级预测器集成到粒子群优化框架中，无需预训练的代理模型。MFSPNet引入了一个由验证损失驱动的估计器，用于可靠的架构排名，以及一个基于块的密集连接策略，便于将演化的块迁移到不同的数据集。实验表明，MFSPNet在计算资源显著减少的情况下取得了具有竞争力的性能，在CIFAR-10上的错误率为3.91%，在SVHN上的错误率为1.91%，以及其他基准测试。 AI

影响降低了设计神经网络的计算开销，可能加速AI模型开发。

排序理由详细介绍一种新的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.NE (Neural & Evolutionary) 阅读 →

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

本文如何被排名

Signal score: 2 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍一种新的神经架构搜索方法的学术论文。 [lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.NE (Neural & Evolutionary) TIER_1 English(EN) · Muhammad Fayyaz · 2026-09-02 11:32

无模型代理辅助神经架构搜索用于演化变长密集块

Neural Architecture Search (NAS) has emerged as a powerful paradigm for automatically designing deep neural networks; however, its practical adoption is often limited by substantial computational cost. To alleviate expensive full-training evaluations, surrogate-based methods have…

本文如何被排名

报道来源 [1]

无模型代理辅助神经架构搜索用于演化变长密集块

相关实体

相关话题