본 논문은 기존의 few-shot Neural Architecture Search (NAS) 방법들이 가진 계산 비효율성과 최적이 아닌 분할 방식의 문제점을 해결하기 위해, 가중치 결합 문제를 새로운 관점에서 분석하고, Gradient Contribution (GC) 방법을 제안합니다. GC 방법은 슈퍼넷 역전파 과정에서 벡터-야코비안 곱을 분해하여 모듈 간 기울기 방향의 코사인 유사도를 효율적으로 계산하고, 상충되는 기울기 방향을 가진 모듈은 서로 다른 서브-슈퍼넷에 할당하고, 유사한 기울기 방향을 가진 모듈은 함께 그룹화합니다. 또한, 기존 Graph Neural Architecture Search (GNAS) 방법들의 한계인 단일 유형의 GNN(MPNN 또는 GT)만 탐색하는 문제를 해결하기 위해, MPNN과 GT의 최적 조합을 탐색하는 Unified Graph Neural Architecture Search (UGAS) 프레임워크를 제안합니다. 실험 결과, GC는 슈퍼넷 분할 품질과 시간 효율성에서 최첨단 성능을 달성하고, UGAS+GC에 의해 탐색된 아키텍처는 수동으로 설계된 GNN과 기존 NAS 방법으로 얻은 아키텍처보다 우수한 성능을 보입니다. 추가적인 ablation study를 통해 제안된 방법들의 효과를 입증합니다.