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。

本文综述了自动化机器学习（AutoML）系统的发展，重点探讨了超参数优化和神经架构搜索等技术。介绍了SapientML和AutoMMLab等新方法，利用大型语言模型（LLMs）提升模型生成效率，简化用户操作，降低了对技术专长的需求，推动了人工智能的普及与应用。

本研究提出了LPZero框架，解决了现有零成本代理在神经架构搜索中的局限性。LPZero能够自动设计适用于各种任务的零成本代理，其性能超越传统设计，展现出更高的排名一致性和卓越的下游任务表现，具有广泛的应用潜力。

本文探讨了神经架构搜索（NAS）的多目标优化进展，重点介绍了MONAS和DPP-Net等方法，这些方法在精度和设备适应性方面表现优异，实验结果显示其在多种设备上达到了Pareto最优性。此外，研究还涉及基于贝叶斯优化的框架和扩散模型的应用，显著提升了计算效率和模型性能。

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。

本文探讨了在内存受限的微控制器上部署卷积神经网络（CNN）的方法，提出了结合神经架构搜索与剪枝的框架Sparse Architecture Search。研究表明，该方法在物联网数据集上表现优越。文章还介绍了MCUNet框架及TensorFlow Lite Micro等工具，强调高效模型设计和低能耗执行的重要性。

本文提出了一种基于流形的深度神经网络训练框架，利用切空间和指数映射，提升了多类图像分类和人脸图像回归的性能。同时，研究了神经架构搜索的优化问题，提出几何感知框架，结合梯度下降和正则化，优化计算机视觉中的算法。此外，探讨了神经隐式形状表示和智能反射表面的相位配置算法，展示了其在多种任务中的有效性。

本文介绍了一种结合粗略标注数据和精细监督的方法，以提升语义分割效果。实验结果表明，该方法在多个数据集上表现优异，尤其在少样本分割任务中显著提升性能。此外，研究提出了新的微调任务和快速神经架构搜索框架FMAS，优化了训练时间和模型性能。

本研究提出了多种神经架构搜索（NAS）方法，如Single-Path NAS和S3NAS，显著降低了搜索成本并提高了图像分类准确性。同时，MicroNAS和SpikeNAS专注于资源受限环境下的模型优化，推动了微控制器上的深度学习应用。

该研究提出了一种新颖的硬件与软件协同框架，旨在高效进行神经架构搜索，优化神经架构和硬件配置。通过强化学习，该方法在ImageNet数据集上实现了更高的吞吐量和节能效果，并解决了资源受限平台上部署神经架构的挑战，显著提高了搜索效率和准确性。

本文介绍了神经架构搜索（NAS）的发展及其在深度学习中的重要性，提出了多任务神经模型搜索算法（MNMS）和GPT-NAS等新方法，利用迁移学习和预训练模型优化网络架构，提升性能并节省搜索时间。同时探讨了NAS在计算机视觉和自然语言处理等领域的应用及未来挑战。

该研究提出了一种新颖的硬件和软件协同框架，用于高效的神经架构搜索，旨在优化神经架构和硬件配置以提高精度和效率。通过强化学习，该方法在ImageNet数据集上实现了更高的吞吐量和节能效果，并提出了SONATA自适应进化算法，显著提升了精度和性能。