PulseAugur
中
实时 22:13:08
English(EN) Running hardware-aware neural architecture search on embedded devices under 512MB of RAM

新的NAS方法针对效率和嵌入式设备 · 跟踪4个来源

作者 PulseAugur 编辑部 · [4 个来源] ·

研究人员开发了新的神经架构搜索（NAS）方法，旨在提高效率和资源意识。一种名为InTrain的方法，通过分析几何容量和优化弹性，引入了一个统一的可训练性理论代理，并取得了与现有方法相媲美的结果。同时，其他研究侧重于硬件感知的NAS，能够创建可以在内存有限的嵌入式设备（如微控制器）上运行的微型卷积神经网络（CNN），用于物联网设备的计算机视觉等应用。 AI

影响 这些神经架构搜索的进展可能导致更高效的AI模型开发和部署，特别是在资源受限的设备上。

排序理由 多篇在arXiv上发表的研究论文，详细介绍了新的神经架构搜索方法。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 4 个来源。 我们如何撰写摘要 →

新的NAS方法针对效率和嵌入式设备 · 跟踪4个来源

报道来源 [4]

  1. arXiv cs.LG TIER_1 English(EN) · Qinqin Zhou, Fuhai Chen, Jipeng Wu, Zhiwei Chen, Zhikai Hu, Weiwei Cai ·

    InTrain：零成本神经架构搜索的内在可训练性

    arXiv:2606.18676v1 Announce Type: new Abstract: Training-free neural architecture search promises efficient discovery of high-performance networks without costly training. However, existing zero-cost proxies rely on fragmented heuristics that fail to capture the fundamental quest…

  2. arXiv cs.AI TIER_1 English(EN) · Andrea Mattia Garavagno, Edoardo Ragusa, Paolo Gastaldo, Antonio Frisoli ·

    在内存低于512MB的嵌入式设备上运行硬件感知神经架构搜索

    arXiv:2606.14824v1 Announce Type: cross Abstract: This document proposes a novel approach to hardware-aware neural architecture search (HW NAS) that considers the resources available on the computing platform running it, enabling its execution on various embedded devices. The pre…

  3. arXiv cs.AI TIER_1 English(EN) · Andrea Mattia Garavagno, Edoardo Ragusa, Antonio Frisoli, Paolo Gastaldo ·

    面向超低功耗计算平台的经济型硬件感知神经网络架构搜索用于部署卷积神经网络

    arXiv:2606.16290v1 Announce Type: cross Abstract: Hardware-aware neural architecture search (HW-NAS) allows the integration of Convolutional Neural Networks (CNNs) in microcontrollers devices by automatically designing neural architectures that can fit prearranged hardware constr…

  4. arXiv cs.CV TIER_1 English(EN) · Weiwei Cai ·

    InTrain：零成本神经架构搜索的内在可训练性

    Training-free neural architecture search promises efficient discovery of high-performance networks without costly training. However, existing zero-cost proxies rely on fragmented heuristics that fail to capture the fundamental question: what makes an architecture trainable? This …

相关实体

相关话题