标签
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。
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。