التطورات الحديثة في شبكات العصبونات المتكررة العميقة قد أحدثت تحسينًا كبيرًا في أداء التنبؤ بالبروز. ومع ذلك، فإن تكوين هياكل الشبكات العصبية يدويًا يتطلب خبرة في مجال المعرفة ويمكن أن يكون مرهقًا للوقت ومعرضًا للأخطاء. لحل هذه المشكلة، نقترح إطار بحث جديد لهيكل الشبكة العصبية (Neural Architecture Search - NAS) للتنبؤ بالبروز مع مساهمتين رئيسيتين. أولاً، يتم بناء شبكة عامة للتنبؤ بالبروز تحتوي على شبكة مشتركة الأوزان تضم جميع الهياكل المرشحة، وذلك من خلال دمج التوافقي الديناميكي في المشفّر-المفكك (encoder-decoder) في الشبكة العامة، والذي يُطلق عليه اسم SalNAS. ثانيًا، رغم كفاءة SalNAS العالية (20.98 مليون معلمة)، يمكن أن تعاني من نقص في القدرة على التعميم. لحل هذا، نقترح نهج تقطير المعرفة الذاتي (Self-KD)، الذي يقوم بتدريب النموذج الطالب SalNAS باستخدام المعلومات المتوسطة المرجحة بين الحقيقة الأرضية والتنبؤ من النموذج المعلم. بينما يشارك النموذج المعلم نفس الهيكل، فإنه يحتوي على أفضل الأوزان التي تم اختيارها بواسطة التحقق التقاطعي. يمكن لنظام Self-KD أن يتعمم بشكل جيد دون الحاجة إلى حساب التدرج في النموذج المعلم، مما يمكنه من نظام تدريب فعال. عن طريق استخدام Self-KD، يتفوق SalNAS على باقي النماذج الرائدة في التنبؤ بالبروز في معظم مقاييس التقييم عبر سبع قواعد بيانات مرجعية وهو نموذج خفيف الوزن. سيتم توفير الكود على الرابط: https://github.com/chakkritte/SalNAS