English(EN) Towards Leveraging AutoML for Sustainable Deep Learning: A Multi-Objective HPO Approach on Deep Shift Neural Networks

新的超参数优化方法提高了 DSNN 的准确性和可持续性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-17 04:00

研究人员开发了一种面向深度迁移神经网络 (DSNN) 的多目标超参数优化 (HPO) 方法，以促进可持续深度学习。该方法结合了多保真度 HPO 和多目标优化，以平衡模型准确性与能耗。实验表明，该方法可以产生准确率超过 80% 的模型，同时显著降低计算成本，从而促进更高效、可持续的人工智能发展。 AI

影响这项研究提供了一种开发更节能的人工智能模型的方法，有可能减少深度学习应用的碳足迹。

排序理由该集群包含一篇学术论文，详细介绍了一种优化深度学习模型的新方法。[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 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Leona Hennig, Tanja Tornede, Marius Lindauer · 2026-06-17 04:00

Towards Leveraging AutoML for Sustainable Deep Learning: A Multi-Objective HPO Approach on Deep Shift Neural Networks

arXiv:2404.01965v3 Announce Type: replace-cross Abstract: Deep Learning (DL) has advanced various fields by extracting complex patterns from large datasets. However, the computational demands of DL models pose environmental and resource challenges. Deep shift neural networks (DSN…

报道来源 [1]

Towards Leveraging AutoML for Sustainable Deep Learning: A Multi-Objective HPO Approach on Deep Shift Neural Networks

相关实体

相关话题