본 논문은 신경망 구조 탐색(NAS)의 계산 비용과 시간 소모 문제를 해결하기 위해 진화 알고리즘 기반의 확산 모델을 이용한 새로운 신경망 구조 생성 방법인 EDNAG(Evolutionary Diffusion-based Neural Architecture Generation)를 제안합니다. EDNAG는 확산 모델의 잡음 제거 과정을 진화 알고리즘으로 모방하여, 적합도를 기반으로 무작위 가우시안 분포에서 최적의 구조 분포로의 전이를 유도합니다. 기존의 확산 모델 기반 방법들의 전역 탐색 능력의 한계와 높은 계산 비용을 극복하고, 학습이 필요 없이 효율적이고 빠른 구조 생성을 가능하게 합니다. 실험 결과, EDNAG는 최첨단 성능을 달성하며 정확도를 최대 10.45% 향상시켰고, 추론 속도를 평균 50배 향상시키는 효율성을 보였습니다.
