可微分神经架构搜索（Differentiable Architecture Search, DARTS）近年来受到广泛关注，主要得益于其通过权重共享与连续松弛机制显著降低了计算开销。然而，近期研究表明，现有的可微分NAS方法难以超越朴素基线，且在搜索过程中往往生成性能退化的架构。针对这一问题，本文提出将神经架构搜索建模为一个分布学习问题，通过将架构权重松弛为高斯分布，从而避免直接对架构参数进行优化。借助自然梯度变分推断（Natural-Gradient Variational Inference, NGVI），可在不增加内存与计算开销的前提下，基于现有代码库高效优化架构分布。实验表明，该方法充分受益于贝叶斯原则，显著增强了搜索过程中的探索能力并提升了稳定性。在NAS-Bench-201与NAS-Bench-1shot1两个基准数据集上的实验结果验证了所提框架的显著性能提升。此外，不同于简单地对学习得到的参数取argmax，本文进一步引入近期提出的无训练代理（training-free proxies）方法，从优化后的架构分布中采样一组候选架构，并据此筛选出最优架构，从而在NAS-Bench-201与NAS-Bench-1shot1基准上取得了当前最优结果。在DARTS搜索空间中获得的最佳架构，在CIFAR-10、CIFAR-100和ImageNet数据集上分别取得了2.37%、15.72%和24.2%的测试误差，表现出与现有先进方法相当甚至更优的性能。