これまでのNASアプローチは, ネットワーク構造を離散空間からサンプルして1つずつ試すのではなく, 連続空間からサンプルして微分可能なものとして扱い, 勾配降下法によって最適化している. これは学習回数を大幅に減らせるが, 大量のメモリを要するのが欠点だった. そこで, ネットワーク構造をトポロジーとcell operationに分け, トポロジーだけを離散的に扱うことで, この問題を解決した.

MSD challenge の医用画像segmentation task 10種類で検討し, DICE係数を比較. 5タスクで既存手法を提案手法が上回った. さらに提案手法では, 性能がほぼ同等なAttention U-Netとくらべてパラメーター数と計算時間をいずれも1/10に削減することができた.

①学習試行回数を減らすために, あらかじめ探索空間を枝刈りする, 進化的アルゴリズムを利用する, などの工夫をすることで探索を効率化できている点. ②性能を保ちながらモデルを大幅に軽量化できた点.