English(EN) Prediction-powered Neural Architecture Search

新的PPNAS方法通过组合监督增强神经架构搜索

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-03 04:00

研究人员推出了一种新的神经架构搜索（NAS）方法PPNAS，该方法有效地结合了有限且昂贵的性能标签与丰富但嘈杂的零成本代理（ZCP）。PPNAS利用ZCP的序数信息创建成对排名监督，并使用预测驱动推理（PPI）来纠正基于ZCP的排名与真实性能排名之间的差异。这种方法在受限评估预算下，在基于预测器的NAS中取得了最先进的成果，标志着在标签高效NAS方面取得了重大进展。 AI

影响该方法可以通过降低架构搜索的计算成本来加速更高效AI模型的开发。

排序理由该集群包含一篇详细介绍一种新颖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.LG 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: 5 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍一种新颖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, other; 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.LG TIER_1 English(EN) · Pascal Janetzky, Yuxin Wang, Michael Klar, Stefan Feuerriegel · 2026-10-03 04:00

预测驱动的神经架构搜索

arXiv:2610.01317v1 Announce Type: new Abstract: Evaluating candidate architectures in neural architecture search (NAS) faces an inherent trade-off: on the one hand, reliable performance labels are limited because training and evaluating architectures is costly; on the other hand,…

本文如何被排名

报道来源 [1]

预测驱动的神经架构搜索

相关实体

相关话题