본 논문은 신경망 아키텍처 최적화를 위한 진화 알고리즘의 하이퍼파라미터(개체군 크기, 돌연변이 비율, 복제 비율, 세대 수)를 수동으로 조정하는 어려움을 해결하기 위해, Neuvo Ecological Neural Architecture Search (ENAS)라는 새로운 방법을 제시합니다. ENAS는 진화 알고리즘의 하이퍼파라미터를 후보 솔루션의 표현형에 직접 통합하여 아키텍처 사양과 함께 동적으로 진화하도록 합니다. 네 개의 이진 분류 데이터셋에 대한 실험 결과, ENAS는 진화 알고리즘 하이퍼파라미터의 수동 조정을 제거할 뿐만 아니라, 경쟁 NAS 방법론보다 수렴 속도(계산 시간 18.3% 단축)와 정확도(4개 데이터셋 중 3개에서 분류 성능 향상) 면에서 우수한 성능을 보였습니다. '탐욕적인 개체'가 적합도에 따라 자원 할당을 최적화할 수 있도록 함으로써, ENAS는 효율적이고 자체 조절적인 신경망 아키텍처 탐색 방식을 제공합니다.
