أصبح تصميم المعمارية عنصراً حاسماً في نجاح التعلم العميق. تُظهر التطورات الحديثة في البحث التلقائي عن المعمارية العصبية (NAS) إمكانات كبيرة. ومع ذلك، غالبًا ما تفشل المعماريّات المُكتشفة في التعميم خلال التقييم النهائي. فالمعماريّات التي تُظهر دقة تحقق أعلى أثناء مرحلة البحث قد تؤدي أداءً أسوأ في التقييم الفعلي. ولتخفيف هذه المشكلة الشائعة، نقدّم طريقة فعّالة تُسمى البحث التتابعي المُتسلّط عن المعمارية (SGAS). تعتمد SGAS على تقسيم عملية البحث إلى مسائل فرعية، وتختار ثم تُزيل العمليات المرشحة بطريقة جشعة. تم تطبيق SGAS على بحث المعماريّات الخاصة بشبكات العصب المتعددة التلافيف (CNN) وشبكات التلافيف الرسومية (GCN). أظهرت تجارب واسعة النطاق أن SGAS قادرة على اكتشاف معماريّات من الدرجة الأولى لمهام مثل تصنيف الصور، وتصنيف السحابة النقطية، وتصنيف العقد في رسومات تفاعل البروتينات-البروتين، وبتكلفة حوسبة ضئيلة للغاية. لمزيد من المعلومات حول SGAS، يُرجى زيارة: https://www.deepgcns.org/auto/sgas