本文介绍了多目标奖励函数的神经网络架构搜索框架MONAS，旨在优化神经网络的预测准确率和功耗。实验结果表明，MONAS在计算机视觉应用中能够实现更高的分类准确性。此外，研究探讨了多种搜索算法和框架的创新，提升了神经组合优化的效率，展示了其在实际应用中的潜力。

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。