少ないデータで重みとアーキテクチャを最適化するMetaNASを提案したこと。様々なタスクで重みとアーキテクチャを学習しそれらの結果を1つに統合することで最適な重みとアーキテクチャを獲得する。MetaNASは特定のモデルやメタ学習法に依存せず、タスクごとに固有のアーキテクチャを獲得することができる。

Omniglot、MiniImageNetのデータセットで、探索したアーキテクチャの正解率で評価を行った。実験からアーキテクチャ探索手法であるDARTSとメタ学習手法であるPEPTILEを組み合わせたMetaNASが、PEPTILEやAutoMeta単体と比較して高い性能を発揮することが示された。