本研究提出了一种新的笛卡尔遗传编程方法，通过多目标进化算法优化神经结构搜索，实验结果表明其在分类性能和模型复杂度上具有竞争力。同时，研究探讨了基于多维基因编程的演化计算方法，显著提升了回归问题的表现。

本文介绍了一种基于神经结构搜索的RGB-D手势识别方法，优化了多模态学习架构，显著提高了多个基准数据集上的识别准确性。提出的多模态融合模型MUFASA在电子病历分析中优于传统模型，展示了深度学习在多模态任务中的应用潜力。

东南大学的研究团队提出了一种基于神经结构搜索和知识蒸馏的轻量级高性能光伏电池缺陷检测模型，准确率高达91.74%，参数量小，易于在实际工业项目中部署。研究结果表明，该模型具有较高的性能和泛化能力，为光伏产业的发展提供了有效工具。

本文提出了一种基于神经结构搜索的方法来进行RGB-D手势识别，通过增强临时表示和优化多采样速率分支与侧向连接，实现了对RGB和深度模态之间以及它们的时间动态之间关系的全面探究。实验证明该方法在单/多模态设置下具有最先进的表现。