本文提出了一个名为 AlphaX 的新型可扩展 Monte Carlo Tree Search (MCTS) NAS 代理，该代理通过元深度神经网络 (DNN) 预测网络准确度，进而优化探索效率，降低网络评估成本，且在 CIFAR-10、ImageNet 和 NASBench-101 数据集上均取得了优异的结果。

May, 2018

本研究提出了一种新的可扩展的基于蒙特卡罗树搜索（MCTS）的神经架构搜索代理 AlphaX，该代理通过采用元深度神经网络（DNN）预测网络准确性并加速 MCTS 回路来改善搜索效率，并通过传输学习框架减少计算代价。经过实验验证，AlphaX 在 CIFAR-10 和 ImageNet 数据集上都表现出比 SOTA NAS 方法更好的采样效率和准确率，并且在 NASBench-101 上是随机搜索和规则进化的 3 倍和 2.8 倍。

Mar, 2019

本文提出了一种名为 LCMNAS 的方法，它能够在非约束搜索空间条件下执行宏搜索，同时不依赖于预定义的启发式算法或范围限制，并引入三个组成部分来推动神经架构搜索方向的发展：利用有关广泛应用架构的信息，自主生成基于具有隐藏属性的加权有向图的复杂搜索空间的方法，从头开始生成完整的架构的进化搜索策略，以及结合有关初始化阶段和更低保真度估计的信息来推断它们对于建模复杂函数的训练能力和容量情况的混合性能估计方法，在 13 个不同的数据集上进行了实验，显示出 LCMNAS 能够使用最少 GPU 计算生成单元和基于宏的架构，并在各方面都取得了最先进的结果。

Mar, 2022

TNAS 是新的神经结构搜索方法，它使用架构树和二进制运算树来分解搜索空间并减少探索大小，采用修改后的双层宽度优先搜索在提议的树中发现高性能架构，在四个 GPU 小时内在 NAS-Bench-201 上找到 94.37％的 CIFAR-10 全局最优体系结构和 94.35％的平均测试准确率超过了现有技术水平。

Apr, 2022

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

本文提出了一种名为 LaNAS 的神经结构搜索方法，通过学习用于递归将搜索空间分成具有相似性能指标的好或坏区域的动作，可以显着提高搜索效率，实验结果表明，LaNAS 至少比进化算法、贝叶斯优化和随机搜索等基线方法高一个数量级的采样效率，可以在较少的采样次数中达到令人惊叹的性能。

Jun, 2019

本文采用经典的贝叶斯学习方法，利用分层自动相关决策（HARD）先验对架构参数进行建模以缓解一次 NAS 方法中存在的两个问题，并成功利用 CIFAR-10 数据集在 0.2 GPU 天内找到了精确的架构，同时通过提供结构稀疏性实现了分类精度极高且极度稀疏的卷积神经网络压缩。

May, 2019

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

本文提出基于汇总数据分布，即核心集合，来进行架构搜索的方法，以减少在 NAS 中由于计算负担而导致的时间代价，并通过实验验证，在单个 RTX 3090 GPU 上，将总计算时间从 30.8 小时减少到 3.5 小时，达到 8.8 倍的减少。

Jul, 2021

本文提出了两种轻量级的神经架构搜索算法，并将 NAS 问题转化为多智能体问题以提高计算效率，理论上证明了 O (sqrt (T)) 的消失后悔率，实验结果在多个数据集和网络配置上表现优异，其中包括随机搜索。

Sep, 2019