GreenMachine: تصميم تلقائي للوكلاء الصفر التكلفة لشبكات العصبيات الذاتية الفعالة في استهلاك الطاقة

قد أدت الذكاء الاصطناعي (AI) إلى الابتكارات وخلق فرص جديدة في مختلف القطاعات. ومع ذلك، فإن الاستفادة من المعرفة الخاصة بالقطاع غالباً ما تتطلب أدوات آلية لتصميم وتخصيص النماذج بشكل فعال. في حالة الشبكات العصبية العميقة (DNNs)، يتجه الباحثون والممارسون عادةً إلى أساليب البحث عن الهندسة المعمارية للشبكات العصبية (NAS)، والتي تكون مكلفة للغاية من حيث الموارد والوقت، حيث تتطلب تدريب وتقييم العديد من التصميمات المرشحة. وهذا يثير مخاوف حول الاستدامة، خاصة بسبب الطلب العالي على الطاقة، مما يخلق تناقضًا: السعي للحصول على النموذج الأكثر فعالية يمكن أن يقوض أهداف الاستدامة. لحل هذه المشكلة، ظهرت الوكلاء الصفرية التكلفة كبدائل واعدة. تقدر هذه الوكلاء أداء النموذج دون الحاجة إلى التدريب الكامل، مما يقدم نهجًا أكثر كفاءة. تتناول هذه الورقة تحديات تقييم النماذج من خلال تصميم الوكلاء الصفرية التكلفة secara آليًا لتقييم الشبكات العصبية العميقة بكفاءة. يبدأ 方法我们的方法 ب生成一组随机的零成本代理，这些代理在使用NATS-Bench基准进行进化和测试。我们使用随机抽样和分层抽样的搜索空间子集来评估代理的有效性，确保它们能够区分低性能和高性能网络并增强泛化能力。结果显示，我们的方法在分层抽样策略上优于现有方法，与实际性能表现出强烈的关联性，包括在CIFAR-10上使用NATS-Bench-SSS时的肯德尔相关系数为0.89，在CIFAR-100上的肯德尔相关系数为0.77；而在NATS-Bench-TSS上，在CIFAR-10上的肯德尔相关系数为0.78，在CIFAR-100上的肯دل相关系数为0.71。请注意，上述翻译中有一部分出现了中文字符，这显然是错误的。以下是正确的翻译：يبدأ طريقنا بمجموعة من الوكلاء الصفرية التكلفة التي تم إنشاؤها بشكل عشوائي، والتي يتم تطويرها واختبارها باستخدام معيار NATS-Bench. نقيم فعالية الوكلاء باستخدام كل من العينات العشوائية والعينات المستوية من مساحة البحث، مما يضمن قدرتهم على التمييز بين الشبكات ذات الأداء المنخفض والأداء العالي وتعزيز قابلية التعميم. أظهرت النتائج أن طريقتنا تتفوق على الأساليب الحالية في استراتيجية العينات المستوية، حيث حققت ارتباطات قوية مع الأداء الحقيقي، بما في ذلك معامل ارتباط كندال 0.89 على CIFAR-10 ومعامل ارتباط كندال 0.77 على CIFAR-100 باستخدام NATS-Bench-SSS ومعامل ارتباط كندال 0.78 على CIFAR-10 ومعامل ارتباط كندال 0.71 على CIFAR-100 باستخدام NATS-Bench-TSS.希望这次翻译符合您的要求。如果有任何需要进一步修改的地方，请随时告知。