标签
本文介绍了TGL-NSGA-II，一种用于约束TinyML神经架构搜索中昂贵进化优化的教师指导适应度近似框架，实现了比标准方法更高的效率和可靠性。
本文质疑了机器学习子领域如NAS、对抗性ML和伦理学的相关性，认为资源可能浪费在没有前途的想法上，并建议转而关注生存风险。
本文提出PainNAS，一种基于块的神经架构搜索方法，能在留一受试者评估中有效降低自动化疼痛评估系统的计算复杂性。
RiPPLE引入一种对神经架构进行排名的方法，通过训练一小部分锚点到早期阶段，外推学习曲线并传播标签，实现跨搜索空间的高效准确性能预测。
本文介绍了FANS，一个基于超网络的异构联邦学习框架，该框架学习一个共享架构空间，并使用并行训练结合自蒸馏来优化跨多样设备的模型选择。
本文讨论了数据如何塑造神经架构发现，并探讨了自动化如何可能重塑未来的技术进步。
ATHENA是一个知识引导的代理神经架构搜索框架，通过跨医院重用架构知识来自动化Transformer基础的电子健康记录建模，以减少人工调优。
本综述回顾了应用于交通预测的神经架构搜索（NAS）方法，按照搜索策略（基于梯度的方法、进化方法、单次权重共享方法）进行组织，并讨论了计算可扩展性、跨城市泛化以及未来方向等挑战。
本文提出OrchNAS，一种能量感知的个性化联邦边缘智能框架，该框架利用神经架构搜索服务自动为异构边缘环境设计服务自适应模型，解决能量约束和统计异质性问题。
本文将基于LLM的闭环通道配置搜索扩展到每周期250个候选，在CIFAR-100上展示了正向的准确率趋势和参数效率提升，并揭示了LLM生成的通道先验中的架构规律性。
本文介绍了BearingNAS，一种硬件感知的神经架构搜索框架，用于设计轴承的智能故障诊断系统，目标是微控制器和传感器处理单元，这些单元内存极为有限（4-8 KiB RAM，16-32 KiB Flash），而整个框架完全在笔记本电脑CPU上运行，并达到99.50%的诊断准确率。
本文提出了一种基于LLM的流水线，利用GPT-5、GPT-4o和Claude Sonnet 4自动设计跨语言手写OCR的神经网络架构，在阿拉伯语、英语和波斯语文本上实现了超过93%的准确率，无需人工干预。
NVIDIA推出了Llama-Nemotron，这是一个开放的推理模型系列（Nano 8B、Super 49B、Ultra 253B），它们与DeepSeek-R1竞争，具有卓越的推理效率、动态推理切换和开放的后训练数据集。
介绍AgentNAS，一种利用大语言模型（LLM）生成初始架构并将其分解为槽位架构的机制，从而为传统神经架构搜索（NAS）定义任务特定的搜索空间，在17项任务中的11项上取得了最先进的结果。
LEMUR 2引入了一个大规模数据集，包含超过14,000种神经网络架构和750,000条训练记录，涵盖多模态任务，支持NAS、AutoML和部署分析。
本文提出一种源引导协议，其中LLM利用更强的同族源模型为弱目标模型生成候选修改方案，在CIFAR-10和SVHN基准测试上实现了显著的精度提升，同时解耦了迁移效应与适应效应。
介绍了CamoNAS，一种用于伪装目标检测的频率感知多分辨率神经架构搜索框架，在四个基准测试上取得了最先进的结果。
提出了一种进化神经架构搜索框架(EvoTS)，用于发现任务自适应的类Transformer模型，用于多变量时间序列预测。该方法使用模块化基因组表示，并在ETT基准数据集上取得了竞争性的性能。
介绍了EVOM，一种基于LLM的设计智能体的智能体元进化框架，用于自动发现高性能的Actor-Critic架构，在连续控制任务上优于手动基线方法和先前方法。
本文全面综述了应用于生成对抗网络（GANs）的神经架构搜索（NAS）方法，对各类方法进行了分类，并强调了其优势与局限性。