新的NAS方法通过稀疏历史记录改进跨任务迁移

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-26 04:00

研究人员开发了一种新的神经架构搜索（NAS）方法，以应对稀疏搜索历史和特定任务迁移失败的挑战。该方法结合了不完整的搜索日志和零成本代理，采用冠军初始化和联合成对排序器预训练。所提出的方法显著减少了TransNAS-Bench-101等基准测试中的最坏情况失败，并在多个目标上优于仅代理排序器，展示了改进的平均和最坏情况性能。 AI

影响这种新方法可以使神经架构搜索更有效、更高效，从而可能加速新AI模型的开发。

排序理由关于神经架构搜索新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 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: 15 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 关于神经架构搜索新方法的学术论文。[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: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Yuefeng Xu, Jun Yu · 2026-10-26 04:00

基于稀疏历史的搜索：来自不完整搜索日志和零成本代理的跨任务架构搜索

arXiv:2610.32179v1 Announce Type: cross Abstract: Neural architecture search (NAS) is expensive, but cross-task transfer can reduce costs by reusing knowledge from previous tasks. However, existing methods struggle with sparse search histories and task-specific transfer failures.…

本文如何被排名

报道来源 [1]

基于稀疏历史的搜索：来自不完整搜索日志和零成本代理的跨任务架构搜索

相关实体

相关话题