标签
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。
提出了一种轻量级神经架构搜索方法，直接在部署设备上执行，用于近传感器计算。在sEMG手语和故障诊断数据集上进行了验证，提高了准确率并减少了RAM占用。
本文提出了一种用于搜索4专家异构Mixture-of-Experts架构的自动化流水线，探索了理论组合空间的4.8%，并识别出高产和低产专家家族。该工作发布了分析工件和一个修正后的生成器，作为开源NNGPT项目的一部分。
来自 UiT 和奥斯陆大学的研究人员提出了一种可微分 NAS 框架，能够联合优化 LLM 压缩中的架构配置与混合精度量化策略。与先 NAS 后量化的顺序基线方法相比，该框架在七项推理任务中可实现最高 1.4 倍的推理加速，或最高 6% 的精度提升。
Meta的新论文介绍了一个智能体系统，它能在24小时的计算预算内自主发现神经架构，在350M、1B和3B规模上超越Llama 3.2。
本文介绍了AIRA-Compose和AIRA-Design，这两个双重框架利用AI智能体自主发现超越标准Transformer且高效扩展的神经架构。
本文介绍了 LSAMD，这是一种从多个数据集中提取“学习基因”以初始化可变尺寸视觉 Transformer 模型的方法，在保持与预训练-微调方法相当的性能的同时，显著降低了训练成本和存储需求。
RF-DETR提出了一种轻量级检测Transformer，通过权重共享神经架构搜索实现最先进的实时目标检测，在COCO和Roboflow100-VL上优于先前方法，同时运行速度快达20倍。