يُعدّ البحث عن الهيكل العصبي (Neural Architecture Search - NAS) أداة قوية لتو automate تصميم الشبكات العصبية العميقة (DNN) الفعّالة في معالجة الصور. وقد تم اقتراح ترتيب التصنيف (ranking) لتصميم مُقدّر أداء فعّال لـ NAS. وحلّت الطرق التباينية السابقة مشكلة الترتيب من خلال مقارنة أزواج من الهياكل وتنبؤ أدائها النسبي. ومع ذلك، فإنها تركز فقط على الترتيب بين الهيكلين المشاركين، وتجاهل توزيع الجودة الشامل لفضاء البحث، مما قد يؤدي إلى مشكلات في التعميم. ولحل هذه المشكلات الناتجة عن النظرة الموضعية، تم اقتراح مُقدّر جديد يُسمّى "مُصنّف الهيكل العصبي" (Neural Architecture Ranker - NAR)، الذي يركّز على التصنيف العالمي لجودة هيكل معين. يُستكشف NAR توزيع الطبقات الجودة لفضاء البحث بشكل شامل، ويصنّف كل هيكل على حدة إلى الطبقة التي ينتمي إليها وفقًا لتصنيفه العالمي. وبذلك، يكتسب المُقدّر معرفة بتوزيعات الأداء في فضاء البحث، مما يسهّل تعميم قدرته على التصنيف على مجموعات بيانات مختلفة. في الوقت نفسه، يُسهّل التوزيع الجودة العالمي مرحلة البحث من خلال عينة مباشرة للمرشحين وفقًا للإحصائيات المتعلقة بطبقات الجودة، دون الحاجة إلى تدريب خوارزمية بحث، مثل التعلم القوي (Reinforcement Learning - RL) أو الخوارزميات التطورية (Evolutionary Algorithm - EA)، ما يؤدي إلى تبسيط عملية NAS وتقليل التكاليف الحسابية. وقد أظهر NAR أداءً أفضل من الطرق الرائدة في المجال على مجموعتين بيانات شائعتين في أبحاث NAS. وفي فضاء البحث الواسع الخاص بـ NAS-Bench-101، تمكّن NAR بسهولة من العثور على الهيكل الذي يحقق أفضل أداء ضمن 0.01‰ فقط من خلال العينة. كما أظهر تعميمًا جيدًا على مجموعات بيانات صور مختلفة في NAS-Bench-201، مثل CIFAR-10 وCIFAR-100 وImageNet-16-120، من خلال تحديد الهياكل المثلى لكل منها.