본 논문은 신경망 구조 탐색(NAS)의 계산 비용과 시간 비용 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 랜덤 가우시안 분포에서 최적의 구조 분포로의 전이를 유도합니다. 이는 진화 전략과 확산 모델의 장점을 결합하여 효율적이고 빠른 구조 생성을 가능하게 합니다. 실험 결과, EDNAG는 최첨단 성능을 달성하며, 정확도를 최대 10.45% 향상시키고 추론 속도를 평균 50배 향상시키는 등 높은 효율성을 보여줍니다. 훈련이 필요 없다는 점도 큰 장점입니다.
