本文研究了神经架构搜索中评估深度神经网络性能的难题，提出了“绿色工厂”方法。该方法利用随机森林回归器组合多个零成本代理，能够直接预测模型的测试准确性，克服了传统方法的时间和资源消耗问题。实验证明，绿色工厂在多个数据集上表现出良好的相关性，显示其在神经网络性能评估中的潜力。

本研究提出了一种高效的进化计算基础神经架构搜索方法，解决了高计算成本和信息损失的问题。通过元学习框架和自适应模型选择，显著提升了模型的通用性和鲁棒性，实验结果表明其性能与先进方法相当，同时降低了计算成本。

本研究探讨神经架构搜索（NAS）在广泛搜索空间中如何平衡创新与评估的挑战，提出利用无成本代理指标和神经图特征（GRAF）训练替代模型，以提高架构性能预测能力并快速筛选低效架构。

该研究提出了MicroNAS，一种针对内存有限微控制器的自动化神经架构搜索工具。该框架优化了卷积神经网络和门控递归单元架构，在下肢截肢者的跌倒检测系统中显著提升了性能，F1分数超过其他方法。

本研究提出FedMetaNAS框架，解决联邦学习中用户数据不均匀分布的问题，结合元学习与神经架构搜索，显著提升精度并加速搜索过程超过50%。

该研究提出了一种基于大语言模型的调度机制，旨在提高时空序列预测中的神经架构搜索效率。通过多层次增强，该方法有效平衡了探索与优化阶段，显著提升了架构搜索效果。

本研究提出了一种新的数据感知神经架构搜索技术，旨在优化Tiny机器学习的输入数据和模型架构。实验结果显示，该技术在“Wake Vision”数据集上优于传统方法，突显了数据感知优化的重要性。

本文提出M因子指标，旨在解决神经架构搜索(NAS)方法过于关注准确性而忽视模型效率的问题。M因子结合了模型的准确性和大小，适用于资源受限环境，特别是移动设备和边缘计算系统。

本研究提出了LPZero框架，通过将代理建模为符号方程并利用遗传编程优化，解决了神经架构搜索中零成本代理的局限性，实现了更高的排名一致性和优异的下游任务性能，超越了传统设计，具有广泛应用潜力。

神经架构搜索（NAS）从手动设计转向自动化，广泛应用于医学成像和自然语言处理。文章介绍了从专家设计到算法驱动的转变，探讨了强化学习和进化算法等方法。讨论了计算需求和高效NAS的挑战，如可微分架构搜索。NAS在计算机视觉等领域展示了优化潜力，未来挑战包括提高计算效率和与新兴AI领域整合。

神经架构搜索（NAS）从手动设计转向自动化，应用于医学成像和自然语言处理等领域。文章介绍了从专家设计到算法驱动的转变，探讨了强化学习和进化算法等方法。讨论了计算需求和高效NAS方法的挑战，如可微分架构搜索。NAS在计算机视觉等领域展示了优化神经网络架构的潜力。未来挑战包括提高计算效率和与新兴AI领域的整合。

ShiftAddAug通过混合计算提升无乘法神经网络的准确性，无需增加推理开销。它将小型无乘法网络嵌入大型乘法模型中，利用乘法增强无乘法部分。新权重共享策略解决运算符权重差异，并通过两阶段神经架构搜索优化小型网络。实验显示，ShiftAddAug在图像分类和语义分割中显著提升性能，CIFAR100准确性提高4.95%，超过传统乘法网络。

通过比较550多个基于YOLO的目标检测模型的准确性和延迟数据，研究发现YOLO系列的多种架构在准确性和延迟之间取得了良好的平衡。同时，证明了神经架构搜索中的无成本准确性估计器可以有效预测最优的检测模型。此外，展示了一种与最先进的YOLOv8模型具有竞争力的YOLO架构。

FMAS是一个用于语义分割的多目标神经架构搜索框架，通过子采样和验证数据集的子集降低了训练和评估时间。在PASCAL VOC 2012数据集上，FMAS可以快速找到性能更强且计算成本更低的模型。在边缘设备上，FMAS可以找到比现有体系结构快2.2倍的神经网络。

本研究提出了TinyTNAS，一种专门为TinyML时间序列分类设计的硬件感知多目标神经架构搜索工具，解决了传统方法对GPU依赖的问题。它允许用户在给定的资源限制内快速找到最佳网络架构，并在10分钟内完成搜索，同时在RAM、FLASH和MAC的使用上均显著降低。TinyTNAS展示了在资源受限环境中优化神经网络架构的能力，确保了高效能与性能。

通过比较550多个基于YOLO的目标检测模型的准确性和延迟数据，发现YOLO系列的多种架构在准确性和延迟之间取得了良好的平衡。同时，证明了神经架构搜索中的无成本准确性估计器可以用于预测最优的检测模型。展示了一种与最先进的YOLOv8模型具有竞争力的YOLO架构。

神经架构搜索（NAS）从手动设计到自动化，提供了全面的概述，强调其在不同领域中的应用，包括医学成像和自然语言处理。该文档详细介绍了从专家驱动设计到算法驱动过程的转变，探索了初步的方法，例如强化学习和进化算法。还讨论了计算需求和高效NAS方法的挑战，如可微分架构搜索和硬件感知NAS。本文进一步阐述了NAS在计算机视觉、自然语言处理等领域的应用，展示了其在不同任务中优化神经网络架构的多样性和潜力。未来的方向和挑战包括计算效率和与新兴AI领域的整合，展示了NAS的动态特性和其朝着更复杂、高效的架构搜索方法的持续演化。

AutoPV是一个基于神经架构搜索技术的新框架，用于自动搜索和构建光伏发电功率预测模型。它整合了最新的时序预测和光伏发电深度学习模型的数据处理技术，能在较短时间内构建预测架构，并展现出优于预定义模型的效果。这填补了将NAS应用于TSF问题的空白，为非专家和工业界提供了帮助。

AGAN算法是专为GAN训练设计的神经架构搜索算法，能够自动搜索到优于现有最先进模型的神经网络结构，并在32x32分辨率下胜任监督学习任务和迁移学习。