본 논문은 인공지능 분야의 핵심 문제 중 하나인 데이터 기반 신경망 모델 구성에 대한 새로운 방법을 제시합니다. 기존의 고정된 구조에 가중치만 학습하는 방식과 달리, 본 논문에서는 가중치 학습과 더불어 최적의 모델 구조를 동적으로 찾는 방법을 제안합니다. 몬테카를로 트리 탐색(MCTS)을 이용하여 신경망의 구조를 동적으로 축소 및 확장하는 과정을 상세히 설명하며, MCTS는 여러 후보 아키텍처 변경 사항을 비교하여 최적의 것을 선택하는 의사결정 메커니즘으로 작용합니다. 시각 데이터와 시계열 데이터를 사용한 실험을 통해, 특히 다변량 시계열 분류에서 효과적임을 보였으며, 각 시계열에 대해 독립적인 수정을 허용하는 구조의 적응력에 기인한다고 분석합니다. Python 소스 코드를 함께 제공하여 재현성을 높였으며, 시각 패턴 및 다변량 시계열 분류 작업에서 높은 성능을 보임으로써 방법의 강건성과 적응력을 강조합니다. 이는 기존 논문 "Dynamic Growing and Shrinking of Neural Networks with Monte Carlo Tree Search [26]"의 확장된 버전입니다.
