近日，一篇发表于arXiv的论文《On-Device Neural Architecture Search》提出了一种面向近传感器计算的新思路：将轻量级神经架构搜索（NAS）直接放在部署设备上执行，从而为传感器采集的实时数据自动寻找最合适的微型神经网络架构。该论文由Andrea Mattia Garavagno等五位作者完成，提交于2026年6月12日，属于机器学习（cs.LG）与人工智能（cs.AI）交叉领域。
传统上，神经网络架构的设计与搜索往往在算力充足的服务器或云端完成，再将训练好的模型部署到终端设备。然而，这种离线流程难以适应个体之间的数据差异，尤其是在人机接口应用中，不同用户的生物特征信号分布可能显著不同。该论文提出的设备端NAS能力，使得网络可以在用户更换后，通过一次引导式的数据采集过程重新设计，从而在个体差异层面提升模型的适应性。
为验证该方案，研究团队设计了一套新的NAS方法，并在意大利手语数据集（ISL）上进行了测试。ISL数据集包含意大利手语字母表的表面肌电（sEMG）信号，作者在多种嵌入式系统上运行了所提出的NAS。此外，论文还在凯斯西储大学数据集（CWRU）上进行了补充验证，该数据集是智能故障诊断领域的常用基准，用以展示该方法的另一潜在应用场景。
实验结果显示，在树莓派4上运行时，所提出的NAS超越了现有最先进方法。在ISL数据集上，搜索得到的微型神经网络架构内存占用仅为对比方法的0.63倍，同时准确率提高了5.96个百分点；在CWRU数据集上，内存占用为0.44倍，准确率提升0.2个百分点。这些结果表明，设备端NAS不仅可行，而且能在资源受限的嵌入式平台上实现更优的精度-效率权衡。
该研究的核心贡献在于将NAS的适应能力下沉到部署端，为近传感器计算和人机接口应用提供了新的技术路径。未来，这种能力有望扩展到更多需要个性化建模的传感器数据分析场景，例如可穿戴健康监测、假肢控制以及工业设备状态监测等。