أصبحت بحث البنية العصبية (NAS) تقنية واعدة لتصميم الشبكات العصبية التلقائي. ومع ذلك، فإن الطرق الحالية القائمة على MCTS في NAS تستخدم غالبًا فضاءً للإجراءات مصمم يدويًا، والذي لا يرتبط مباشرة بالمعيار الأداء الذي يتم تحسينه (مثل الدقة)، مما يؤدي إلى استكشاف غير فعّال من حيث العينات للهياكل. ولتحسين الكفاءة العينية، تُقترح في هذه الورقة طريقة تُسمى LaNAS (البحث عن البنية العصبية بالإجراءات المُخزَّنة)، والتي تتعلم الإجراءات لتقسيم فضاء البحث بشكل تكراري إلى مناطق جيدة أو سيئة تحتوي على شبكات ذات مقاييس أداء متشابهة. أثناء مرحلة البحث، وبما أن تسلسلات الإجراء المختلفة تؤدي إلى مناطق بأداء مختلف، يمكن تحسين كفاءة البحث بشكل كبير من خلال التفضيل للمناطق الجيدة. أظهرت النتائج التجريبية على ثلاث مهام NAS أن LaNAS تكون على الأقل أكثر كفاءة بترتيب عيني واحد مقارنةً بالطرق الأساسية، بما في ذلك الخوارزميات التطورية، والتحسينات بايزيانية، والبحث العشوائي. وعند تطبيقها عمليًا، تتفوّق LaNAS (سواء في النسخة المُدمجة أو النسخة العادية) باستمرار على النتائج الحالية. وبشكل خاص، حققت LaNAS دقة 99.0% على CIFAR-10، ودقة أعلى بنسبة 80.8% عند 600 MFLOPS على ImageNet باستخدام فقط 800 عينة، مما يفوق بشكل كبير أداء AmoebaNet مع استخدام عينات أقل بنسبة 33 مرة.