本研究提出了一种针对二进制网络的新型搜索体系结构，并定义了二进制层类型的新搜索空间和新的单元模板。使用零化层的新搜索目标使得搜索优良性能的二进制体系结构变得更加多样化，并在量化误差固有的二进制网络中实现稳定的训练曲线。本研究的搜索结果表明其超越了现有二进制网络的架构，并且在采用各种其他技术而非架构改变的状态下，性能明显提高。

Feb, 2020

本文提出了 Binary ArchitecTure Search (BATS) 框架，并提出了三种成功应用 NAS 到二进制领域的关键要素，包括引入二进制导向搜索空间，提出控制和稳定搜索拓扑的新机制，以及提出验证了的能导致更快收敛和较低搜索时间的一系列新的二进制网络搜索策略。实验结果表明所提出的方法的有效性和直接在二进制空间中进行搜索的必要性，同时还在 CIFAR10、CIFAR100 和 ImageNet 数据集上创造了新的二进制神经网络的最新技术水平。

Mar, 2020

本论文介绍了一种基于遗传算法自动搜索紧凑但准确的二进制神经网络的新框架。 实验结果表明，我们搜索到的二进制网络可以在模型大小和计算方面达到全精度模型相当的性能。

Sep, 2019

本研究提出了使用批量归一化的神经架构搜索 BN-NAS 算法，通过训练 BN 参数加速神经架构搜索，实验证明该算法可以显著缩短训练时间和运行时间。

Aug, 2021

研究使用神经结构搜索（NAS）算法通过对 loss landscape 以及 gradient information 的分析，发现其倾向于选择使用 wide and shallow cell structures 的架构，虽然这些架构具有快速收敛的优势，但不一定能获得比其他架构更好的泛化性能。因此，有必要修正现有的 NAS 算法。

Sep, 2019

本文提出一种新颖的网络架构搜索 (NAS) 方法，用于优化 Bayesian 神经网络（BNN）的精度和不确定性，同时减少推理延迟。与传统的 NAS 不同，该方法使用来自内部和外部分布的数据搜索模型的不确定性性能，从而可以在网络中搜索贝叶斯层的正确位置，并且相对于流行的 BNN 基线，使用的运行时仅为其一小部分，将推理运行时成本分别与 MCDropout 和 deep ensemble 相比在 CIFAR10 数据集上分别降低了 2.98 倍和 2.92 倍。

Feb, 2022

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

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

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

该文章提出了一种细粒度的搜索空间，有效地解决了神经体系结构搜索 (NAS) 中的搜索空间设计问题，其中包括资源感知的架构搜索框架和动态网络收缩技术，可同时进行搜索和训练，并在 ImageNet 上以小的搜索成本取得了最先进的性能。

Dec, 2019