该论文提出了一种基于单元的搜索方法，通过为二进制网络定义新的搜索空间和新的搜索目标，重新定义二进制层类型，设计一种新的单元模板，提出使用 Zeroise 层来代替占位符，并进一步提出了改进我们搜索到的体系结构的训练方案。经过定量分析，实验结果表明，与采用其他技术的现有二进制网络相比，使用该方法搜索的体系结构性能更好且训练曲线更加稳定，通过新的训练方案进一步提升了性能并在二进制网络中实现了领先的表现。

Oct, 2021

本论文介绍了一种基于遗传算法自动搜索紧凑但准确的二进制神经网络的新框架。 实验结果表明，我们搜索到的二进制网络可以在模型大小和计算方面达到全精度模型相当的性能。

Sep, 2019

本文提出了 Binary ArchitecTure Search (BATS) 框架，并提出了三种成功应用 NAS 到二进制领域的关键要素，包括引入二进制导向搜索空间，提出控制和稳定搜索拓扑的新机制，以及提出验证了的能导致更快收敛和较低搜索时间的一系列新的二进制网络搜索策略。实验结果表明所提出的方法的有效性和直接在二进制空间中进行搜索的必要性，同时还在 CIFAR10、CIFAR100 和 ImageNet 数据集上创造了新的二进制神经网络的最新技术水平。

Mar, 2020

研究使用神经结构搜索（NAS）算法通过对 loss landscape 以及 gradient information 的分析，发现其倾向于选择使用 wide and shallow cell structures 的架构，虽然这些架构具有快速收敛的优势，但不一定能获得比其他架构更好的泛化性能。因此，有必要修正现有的 NAS 算法。

Sep, 2019

本研究提出了使用进化搜索来促进 MobileNet 的二值化设计和训练方案，通过操作组卷积的想法来设计高效的 1 位卷积神经网络，从而探索最佳的候选组卷积，以优化模型性能，并在 ImageNet 上进行了各种实验，展示了我们的构建指南，最终模型在相同计算成本下超越了现有技术。

May, 2020

提出了一种新的框架，用于在限制条件下寻找最优的量化神经架构并实现在给定的硬件规格上，该框架使用 FPGAs 来实现和测试设计并在 CIFAR10 任务中提高了 18％至 68％的准确性。

Oct, 2019

本文提出一种新颖的网络架构搜索 (NAS) 方法，用于优化 Bayesian 神经网络（BNN）的精度和不确定性，同时减少推理延迟。与传统的 NAS 不同，该方法使用来自内部和外部分布的数据搜索模型的不确定性性能，从而可以在网络中搜索贝叶斯层的正确位置，并且相对于流行的 BNN 基线，使用的运行时仅为其一小部分，将推理运行时成本分别与 MCDropout 和 deep ensemble 相比在 CIFAR10 数据集上分别降低了 2.98 倍和 2.92 倍。

Feb, 2022

该文章提出了一种细粒度的搜索空间，有效地解决了神经体系结构搜索 (NAS) 中的搜索空间设计问题，其中包括资源感知的架构搜索框架和动态网络收缩技术，可同时进行搜索和训练，并在 ImageNet 上以小的搜索成本取得了最先进的性能。

Dec, 2019

本文提出了一种将神经结构搜索 (NAS) 看作寻找最优网络生成器的问题，同时提出了一种新的、层次化和基于图形的搜索空间，实现了在极少连续超参数的情况下表示极大多样性的网络类型。通过贝叶斯优化作为搜索策略，该方法有效地扩展了有效架构的范围，促进了多目标学习方法的发展， 并在六个基准数据集上进行了验证，在生成轻量级且高度竞争的模型方面表现出了有效性。

Apr, 2020

研究二进制神经网络的训练策略和在移动和嵌入式设备上应用的性能，通过采用一种更简单的训练策略，成功提高了二进制神经网络的性能并在标准数据集上取得了最新成果，还成功将具有密集连接的网络架构引入二进制网络领域。

Dec, 2018