من بين أكثر المشكلات حرجًا في البحث عن المعماريات العصبية التي تشترك في الأوزان هو تقييم النماذج المرشحة ضمن فضاء بحث محدد مسبقًا. في الممارسة العملية، يتم تدريب شبكة سوبر واحدة (one-shot supernet) لتكون بمثابة مقيم. بالتأكيد، الترتيب الدقيق يؤدي إلى نتائج بحث أكثر دقة. ومع ذلك، فإن الطرق الحالية عرضة لتقديم أحكام خاطئة. في هذا البحث، نثبت أن تقييمهم المتحيز يعود إلى عدم العدالة الذاتي في تدريب الشبكة السوبر. بناءً على ذلك، نقترح مستويين من القيود: العدل المتوقع والعدل الصارم. بشكل خاص، يضمن العدل الصارم فرص تحسين متساوية لجميع الكتل الاختيارية طوال فترة التدريب، مما لا يبالغ ولا يقلل من قدراتهم. نوضح أن هذا أمر حاسم لتحسين ثقة ترتيب النماذج. عند دمج الشبكة السوبر الواحدة التي تم تدريبها وفقًا للقيود العادلة المقترحة مع خوارزمية بحث تطورية متعددة الأهداف، نحصل على مجموعة متنوعة من النماذج الرائدة في مجالها، مثل FairNAS-A التي حققت دقة صحيحة بنسبة 77.5% على ImageNet. تم جعل النماذج وكود تقييمها متاحة للعامة عبر الإنترنت على الرابط http://github.com/fairnas/FairNAS .