本研究提供一种基于 Q-learning 和 epsilon-greedy 探索策略的块状神经网络自动生成框架 (BlockQNN)。通过 BlockQNN，我们能够自动生成表现优异的卷积神经网络，同时加速神经网络的构建过程，显著减少搜索空间，并实现模型在不同数据集上的迁移学习。

Aug, 2017

使用元建模算法 MetaQNN 根据强化学习自动生成高性能卷积神经网络 (CNN) 结构，可以在图像分类基准测试中击败同层级别的现有网络，并且相比其他网络设计元建模方法具有更好的效果.

Nov, 2016

本文提供了一种 Quantum Convolutional Neural Network (QCNN) 体系结构设计的新方法，使用 Neural Architecture Search (NAS) 技术生成一系列常用的 QCNN 体系结构，并在音乐类型分类数据集上进行了评估，为 NAS 提供了 QCNN 搜索空间设计的框架，最后实现该框架作为开源的 Python 包。

Oct, 2022

本论文提出了一种基于分层深度强化学习的自动量化技术 AutoQ，可以自动搜索每个权重核的量化位宽，以及每个激活层的另一个量化位宽，并极大地提高了卷积神经网络的推断性能，同时保持了推断精度。

Feb, 2019

该论文介绍了使用强化学习和一次性训练为指导原则的自动神经架构搜索框架 DQNAS，用于生成具有优越性能且具有最小可扩展性问题的神经网络架构。该框架可以减少设计卷积神经网络的时间和测试成本。

Jan, 2023

本文介绍了一种使用 Cartesian 遗传编程自动构建卷积神经网络结构的方法，并通过将其应用于 CIFAR-10 数据集的图像分类任务验证了该方法的有效性。

Apr, 2017

本文针对计算机视觉中的问题使用卷积神经网络，通过创建 CNN 类似的衔接循环的分析模型，研究如何对 CNN 计算进行阻塞以获得内存局部性，自动推导出常见网络的优化阻塞，提高了定制硬件实现的能效，与传统 CNN 基于高度调整的手动优化 BLAS 库的 CPU 实现相比，我们实现的最优阻塞 x86 程序将内存访问次数降低了高达 90％。

Jun, 2016

在本文中，我们提出了一种新的框架来增强可训练的量子卷积神经网络（QuNNs）的性能，通过引入可训练的 quanvolutional 层并解决与其相关的关键挑战。我们的研究通过在这些层中实现训练，显著提高了 QuNNs 的灵活性和潜力。我们引入多个可训练的 quanvolutional 层，为基于梯度的优化引入了复杂性，并通过在层之间添加 skip 连接的残差学习概念，提出了一种新的架构 Residual Quanvolutional Neural Networks（ResQuNNs），从而解决了梯度访问的困难。通过在 QuNNs 中插入残差块，我们确保了网络中的增强梯度访问，从而提高了训练性能。通过广泛的实验，我们发现在 QuNNs 中合理放置残差块对于最大化性能提升至关重要。我们的发现对量子深度学习的发展和实际量子计算应用提供了新的途径。

Feb, 2024

该论文介绍了一种新的网络剪枝方法，针对边缘计算环境中的深度神经网络中的块剪枝。研究方法采用直接的块移除策略来评估对分类准确性的影响，通过对 CIFAR-10、CIFAR-100 和 ImageNet 数据集以 ResNet 架构进行广泛实验，结果表明该方法在减小模型大小的同时保持高准确性方面的有效性，在网络的大部分被剪枝的情况下，尤其是在 ImageNet 上通过对 ResNet50 的剪枝时，其结果突出了该方法在维持模型大小和性能之间的最佳平衡能力，尤其是在资源有限的边缘计算场景中。

Dec, 2023

该论文介绍了一个能够处理任意输入数据维度的量子卷积神经网络 (QCNN) 架构，优化了量子资源的分配，达到了优秀的分类性能，同时最小化了资源开销，为噪声和不完美情况下可靠量子计算提供了最佳解决方案。

Mar, 2024