qqdefect17318

现有的基于EC的NAS优化算法速度慢、计算代价高，而且主要是在标准数据集上进行搜索，实际应用范围受限。为此，本文提出了一种基于NSGANetV2的优化算法，旨在使用NAS在自定义非标准数据集上获得具有高性能的模型，同时优化多个竞争目标，无需承担现有方法的巨大计算负担。该算法创新之处在于在架构层面和权

提供PNAS相关论文的整理和PPT汇报，介绍了PNAS相对于传统方法的改进，如采用SMOB策略和启发式搜索空间架构，以及如何采用代理模型提高效率并减少计算开销。论文论证了PNAS的方法比传统方法在模型数量和总计算方面效率更高。适合需要进行神经网络研究的人员查阅。