本研究提出了一个新的网络设计范例，设计空间中的好网络可以通过一个量化的线性函数解释，所设计的 RegNet 具有简单、快速的特点，在 GPU 上与当前流行的 EfficientNet 相比，具有更好的性能表现。

Mar, 2020

该研究定义并系统研究了图神经网络的 315,000 种不同建模方式和 32 种预测任务的设计空间，得出了 GNN 设计准则，并提出 GNN 任务空间和相似度度量方法以便于在新任务和数据集上快速找到最佳的 GNN 设计。需要注意的是 GraphGym 也是一种开放且强大的探索不同 GNN 设计和任务的平台。

Nov, 2020

本文比较了基于强化学习和进化算法的两种神经架构搜索方法来优化图神经网络，结果在包括 7 个数据集的两个搜索空间内显示出两种方法的准确性与随机搜索相似，引出了有多少搜索空间维度实际上与问题相关的问题。

Jul, 2020

提出 NAS-Bench-201，通过设计新的搜索空间和提供多个数据集的结果以及诊断信息，为几乎所有最新的 NAS 算法提供一个统一的基准，从而避免了重复训练，并提高了搜索算法的效率。

Jan, 2020

在本文中，我们提出了用于比较 NAS 方法的基准测试，并对常用的 DARTS search space 进行了进一步的实验。我们发现，手工设计的宏观结构比搜索到的微观结构更重要，并且深度间隔是一个真实的现象，最后我们提出了最佳实践以帮助缓解当前的 NAS 缺陷。

Dec, 2019

本文介绍了神经架构搜索的基本概念以及搜索空间、算法和评估技术的主要进展。

May, 2020

本文对神经网络结构自动设计的算法 —— 神经架构搜索进行了全面的综述与研究，提出了对早期算法的问题的总结和解决方案，并对这些工作进行了详细的比较和总结。文章最后给出了可能的未来研究方向。

Jun, 2020

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

在这篇论文中，我们提出了一种新颖的基于细胞的分层搜索空间，易于理解和操作，旨在优化搜索时间并且足够通用，可以处理大多数卷积神经网络的最先进架构。

Oct, 2023

本文定义了一个新问题 —— 网络空间搜索（NSS），其目的是搜索有利的网络空间，而不是单一的架构。我们提出了一种 NSS 方法，可以自动搜索高效感知的网络空间，从而减少了人工成本和寻找令人满意的网络空间方面的巨大代价。

Apr, 2021