MONAQ：面向资源受限设备的时间序列分析的多目标神经网络架构查询

智能手机和物联网设备的日益增长使用，使得在资源受限硬件上进行高效时间序列分析变得至关重要，这对于感知应用（如人类活动识别和空气质量预测）至关重要。最近的硬件感知神经网络架构搜索 (NAS) 努力自动发现特定平台的网络架构；然而，没有人关注通用时间序列分析且面向边缘部署。利用大语言模型 (LLM) 的问题解决和推理能力，我们提出MONAQ，将 NAS 重新表述为多目标神经网络架构查询任务。MONAQ配备多模态查询生成，可处理多模态时间序列输入和硬件约束，同时通过 LLM 代理驱动的多目标搜索实现部署就绪模型。通过集成数值数据、时间序列图像和文本描述，MONAQ提高了 LLM 对时间序列数据的理解。实验在十五个数据集上进行，表明MONAQ发现的模型在效率和性能上均优于手工设计模型和 NAS 基线。