Zero Cost Proxies (ZCPs)를 활용하여 계산 비용이 높은 Neural Architecture Search (NAS)의 대안을 제시한다. ZCPs는 훈련된 성능과 상관관계가 높으면서, 무작위로 샘플링된 데이터 배치에 대한 단일 forward/backward pass를 통해 계산할 수 있다. 본 논문은 6개의 벤치마크 데이터셋에서 HAR (Human Activity Recognition)을 위해 ZCPs의 효과를 연구하고, 1500개의 무작위로 샘플링된 아키텍처를 포함하는 전체 규모 훈련으로 얻은 성능의 5% 이내의 성능을 달성하는 네트워크 아키텍처를 발견함을 보여준다. 또한 ZCPs가 데이터 노이즈에 강건함을 입증하여 실제 시나리오에 적합함을 강조한다.
