본 논문은 신경망 특징 선택이 네트워크의 정확도와 속도에 큰 영향을 미친다는 점을 강조하며, 특히 계산 효율성과 낮은 지연 시간이 중요한 많은 실제 응용 분야에서 특수화된 이진 분류기가 중요함을 설명합니다. 기존 신경망 특징 개발의 동질성으로 인해 여러 데이터셋에 대한 테스트 시 속도 저하 또는 정확도 감소가 발생하는 문제를 해결하고자, 네트워크의 아키텍처뿐만 아니라 훈련 매개변수도 최적화할 수 있는 확장된 신경망 아키텍처 탐색(NAS+)의 새로운 Python 구현체인 Neuvo NAS+를 제시합니다. 각 데이터셋에 맞는 네트워크 아키텍처의 중요성을 심층 분석하고, 에포크 수나 배치 크기와 같은 네트워크 훈련 하이퍼파라미터를 포함하여 작업별로 네트워크 특징을 선택하는 Neuvo NAS+ 시스템의 설계를 설명합니다. 실험 결과, Neuvo NAS+의 작업별 접근 방식은 다양한 이진 분류 문제에서 Naive Bayes, C4.5, Support Vector Machine 및 표준 인공 신경망과 같은 여러 기계 학습 접근 방식보다 정확도 측면에서 상당히 우수한 성능을 보였으며, 다양한 데이터셋에서 진화된 네트워크 아키텍처의 상당한 다양성을 보여주어 작업별 최적화의 가치를 확인했습니다. 또한, Neuvo NAS+는 정확도와 계산 효율성 측면에서 다른 진화 알고리즘 최적화 기법보다 우수한 성능을 보여, 적절히 최적화된 이진 분류기가 더 복잡한 모델의 성능과 맞먹거나 능가하면서도 훨씬 적은 계산 자원을 필요로 함을 증명합니다.
