深度分析
GPT-5 驅動自動化神經架構搜尋，跨語言手寫辨識準確率達 98.1%
手寫文字辨識因語言筆畫差異而困難重重。本研究讓 GPT-5、GPT-4o 與 Claude Sonnet 4 扮演神經架構設計師，透過閉環回饋自動生成並優化模型。在阿拉伯語、英語、波斯語上，平均準確率超過 93%，最佳達 98.1%，推論時間約 41 毫秒，驗證了 LLM 驅動自動機器學習的可行性。
神經架構搜尋
深度分析
結構化漸進知識激活（SPARK）在 LLM 驅動 NAS 中的效能提升與實驗驗證
在神經架構搜尋成本高昂的情境下，研究提出SPARK透過功能因子選擇與條件化修補，降低功能糾纏。實驗顯示於CLRS‑DFS任務中，樣本效率提升28倍，OOD正確率提升至83.74%。此方法亦在十項CLRS基準上取得平均83.92%的OOD正確率，顯示其跨任務穩定性。
深度分析
雙層最佳化在神經架構搜尋中的理論與實作：AMP 框架與未來方向
雙層優化已被廣泛應用於機器學習的層級問題。本文將神經架構搜尋視為雙層問題，區分抽樣式與理論導向的搜尋策略，並以輔助數學規劃整合二階資訊，同步更新架構與參數。實驗顯示此類方法在精度與效率上均優於傳統抽樣搜尋，預示未來在自動機器學習領域的廣泛應用。
深度分析
使用硬體代理模型的 SNAC‑Pack：開源 FPGA NAS 套件與案例分析
研究提出SNAC‑Pack，結合硬體代理模型的多目標NAS，針對FPGA的LUT、DSP、BRAM等資源與延遲進行預測，於LHCjet分類與量子比特讀出兩項任務中，找到資源更緊湊且效能不遜於基線的模型。此流程結合全局多目標搜尋與本地量化感知訓練及迭代剪枝。