研究人员开发了一种新颖的神经网络架构搜索方法LESS（Lightweight Evolutionary Supernet Search），该方法显著减少了计算时间。通过结合简短的热身和CMA-ES分布下的离散搜索，LESS能在数分钟内（仅为先前方法所需时间的一小部分）在CIFAR-10等基准测试中达到具有竞争力的准确率。该方法在不同数据集和搜索空间（包括更大的DARTS空间）中都显示出有效性，突显了其效率和广泛的适用性。 AI
影响 能够更快、更有效地探索AI模型架构，可能加速研发周期。
排序理由 该集群包含一篇详细介绍一种新神经网络架构搜索方法的学术论文。
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
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:2610.01468v1 Announce Type: cross Abstract: Low-cost NAS must both explore high-performing architectures and identify them reliably, yet reducing evaluation cost often weakens the fidelity of candidate comparisons. Training-free methods reduce evaluation cost by replacing l…
Low-cost NAS must both explore high-performing architectures and identify them reliably, yet reducing evaluation cost often weakens the fidelity of candidate comparisons. Training-free methods reduce evaluation cost by replacing learned task feedback with proxy signals measured a…