该研究提出了一种自动设计合适的卷积神经网络结构的方法，使用了能产生网络变形的“山峰爬升法”和余弦退火法，并取得了较为优异的结果。

Nov, 2017

本文提出了一种新的神经网络结构搜索方法——Graph HyperNetworks，借助图神经网络来预测网络性能并直接生成权重，从而提高神经网络搜索效率；此外，Graph HyperNetworks 还可在任意预测环境下使用，在 CIFAR-10 和 ImageNet 等数据集上比现有手动设计网络更快且性能更好。

Oct, 2018

借助Differentiable Architecture Search，本研究提出了sharpDARTS搜索方式，该方式在CIFAR-10数据集上取得了相对错误率20-30%的进展，并在模型大小相似的情况下创下了目前最先进的1.93%的验证误差和25.1%的ImageNet top-1误差，同时，通过Differentiable Hyperparameter Grid Search和HyperCuboid搜索空间的设计和优化，本研究也证明了sharpDARTS更具通用性，提出了Max-W正则化以解决DARTS在新领域中的泛化问题。

Mar, 2019

本研究从贝叶斯角度出发，提出了一种后验引导的神经结构搜索方法（PGNAS），通过估计网络结构和权重的联合后验分布，减少数据采样与超参数调整，并在图像分类任务上进行验证，证明了 PGNAS 较其它方法在搜索精度与速度方面具有良好的平衡。

Jun, 2019

本文提出了一种名为DARTS+的算法，通过设置一个明确的早停策略来避免 Differentiable Architecture Search(DARTS) 在优化时遇到过拟合问题，并将其应用在基准数据集上取得了较好的结果。

Sep, 2019

本文提出一种新方法BigNAS，使用单个共享权重集合无需进行额外的训练或后处理步骤，就可以用于神经结构搜索，该方法的预测准确率优于现有方法。

Mar, 2020

本文提出一种名为GreedyNAS的神经架构搜索方法，通过多路径抽样策略和候选路径池相结合的方法，将超网的负担减少至仅关注可能具有良好性能的路径，从而在ImageNet数据集中实现更好的Top-1准确率，且仅需大约60％的超网训练成本。

Mar, 2020

本文提出了一种统一的管道，AutoHAS，以高效搜索架构和超参数，该管道可以更新共享网络权重和强化学习 (RL) 控制器来学习架构候选项和超参数候选项的概率分布， 可以有效地提高具有不同搜索空间和数据集的网络的准确性。

Jun, 2020

通过提出路径蒸馏方法，从优先路径中提取知识来改善子网络的训练，最终得到的最优路径在性能和复杂度方面具有优异表现，证明了该方法的泛化性和稳健性。

Oct, 2020

利用神经切向核和输入空间中的线性区域数来排名结构，通过 TE-NAS 框架进行训练 - free 的神经体系结构搜索，使用基于剪枝的 NAS 机制进行灵活且优越的权衡，实现在CIFAR-10和ImageNet上只花费0.5和4 GPU小时完成的高质量搜索。

Feb, 2021