汇报内容：

《A Fast Evolutionary Knowledge Transfer Search for Multiscale Deep Neural Architecture》，发表于TNNLS 2024。该工作提出一种融合知识迁移策略与多尺度几何分析的通用方法 ，用于快速高效地搜索神经网络架构。通过将基于知识迁移的局部优化与全局进化搜索策略相结合，在考虑卷积层间联合依赖与适配关系的同时，利用知识迁移实现快速学习，显著降低搜索计算成本并提高效率；在网络架构设计中，创新性地融合卷积操作与多尺度几何分析，有效提升神经网络的特征逼近、学习与泛化能力，并通过参数控制多尺度几何特征的融合策略。大量实验显示，该方法能有效减少计算开销，探索出新型网络结构，提高了模型准确率与鲁棒性。