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

本文提出了一种称为部分连接的差分建模搜索方法，通过采样超级网络的一小部分来减少探索网络空间的冗余，从而执行更有效的搜索，同时通过边缘标准化减少测量的不确定性以获得更高的训练稳定性。

Jul, 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

该文提出DARTS算法在神经架构搜索中的优化问题，并提出一种修正的架构梯度估计方法来桥接优化差距，实验结果表明该方法有效提高了搜索稳定性和搜索空间的探索能力。

Oct, 2019

本篇论文提出了一种名为P-DARTS的算法来解决神经网络架构搜索中的 transfer learning 问题，并在 CIFAR10 数据集以及几个目标问题（包括 ImageNet分类，COCO检测和三个 ReID benchmarks）上实现了更好的性能。

Dec, 2019

提出一个简单而有效的正则化方法，称为Beta-Decay，对基于DARTS的NAS搜索过程进行约束，以解决两个主要问题：性能崩溃的脆弱性和搜索到的结构的普适性能力。对Beta-Decay正则化进行了深入的理论分析和实验验证，结果表明，该方法能够稳定搜索过程，使搜索到的网络在不同数据集之间具有更好的可迁移性。

Mar, 2022

本文提出自适应通道分配的可微分架构搜索方法 (ACA-DARTS)，通过从运算空间中删除跳跃连接的方法，自动重新填充评估阶段的跳跃连接，解决由缺乏跳跃连接引起的性能降级问题，并在整个ImageNet数据集上直接搜索，实验表明ACA-DARTS可以提高搜索稳定性并大大加速DARTS十倍以上，同时获得更高的准确性。

Apr, 2022

通过提出一种简单但有效的正则化方法，称为Beta-Decay，以解决DARTS（可微架构搜索算法）的弱稳定性和泛化能力差的问题。同时，该方法具备较强的代理鲁棒性和竞争性，能够使搜索结果更具可移植性。

Jan, 2023

本文介绍了一种名为OPP-DARTS的操作级渐进可微分神经结构搜索算法,通过逐步增加候选操作来有效地避免跳跃连接聚合，并同时探索更好的架构。实验结果表明，我们的方法在CIFAR-10上的性能优于标准DARTS，迁移性能也超越了标准DARTS。此外，我们进一步展示了我们的方法在三个简单搜索空间上的鲁棒性优于标准DARTS。

Feb, 2023

本研究提出了一种基于稀疏正则化近似和高效混合稀疏训练方案的改进方法，以消除训练过程中信息绕过泄漏，从而提高不确定性极大的 Differentiable architecture search (DARTS) 的鲁棒性。

Jun, 2023