模型有天赋：无需训练即可识别高性能的可穿戴人体活动识别模型
机器学习
2025-11-20 v2 人工智能
摘要
计算成本高昂的神经架构搜索的一种有前途的替代方案是开发零成本代理，它们与训练后的性能具有良好的相关性，但可以通过对随机采样的数据批次进行单次前向/反向传播来计算。在本文中，我们研究了 ZCPs 在六个基准数据集上用于 HAR 的有效性，并证明它们发现的网络架构所获得的性能在全规模训练所得性能的 5% 范围内，这涉及对 1500 种随机采样的架构进行全规模训练。由于只需极少的训练即可发现高性能架构，这带来了大量的计算节省。我们的实验不仅将 ZCPs 引入基于传感器的 HAR，还证明了它们对数据噪声具有鲁棒性，进一步展示了其在实际场景中的适用性。
引用
@article{arxiv.2511.06157,
title = {Models Got Talent: Identifying High Performing Wearable Human Activity Recognition Models Without Training},
author = {Richard Goldman and Varun Komperla and Thomas Ploetz and Harish Haresamudram},
journal= {arXiv preprint arXiv:2511.06157},
year = {2025}
}