面向表格数据集的内核级能耗高效神经网络架构搜索
机器学习
2025-04-14 v1 人工智能
摘要
许多研究通过类比指标（如内存使用、FLOPs 和推理延迟）来估算能耗，假设降低这些指标也会降低神经网络的能耗。然而，本文采取不同方法，引入一种能耗高效的神经网络架构搜索 (NAS) 方法，直接关注识别能够在保持可接受准确性的同时最小化能耗的架构。与之前主要针对视觉和语言任务的方法不同，本文的方法专门针对表格数据集。惊人的是，该方法推荐的最优架构可将能耗降低最高可达 92%。
引用
@article{arxiv.2504.08359,
title = {Kernel-Level Energy-Efficient Neural Architecture Search for Tabular Dataset},
author = {Hoang-Loc La and Phuong Hoai Ha},
journal= {arXiv preprint arXiv:2504.08359},
year = {2025}
}
备注
ACIIDS 2025 Conference