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 →

本文如何被排名

Signal score: 0 / 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]
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: 106 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

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

迈向利用 AutoML 实现可持续深度学习：一种基于深度迁移神经网络的多目标 HPO 方法

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…

本文如何被排名

报道来源 [1]

迈向利用 AutoML 实现可持续深度学习：一种基于深度迁移神经网络的多目标 HPO 方法

相关实体

相关话题