モバイルデバイス向けの畳み込みニューラルネットワーク（CNN）の設計は、モデルが小さく、高速である一方で精度も保たなければならないという課題があるため、非常に困難です。既存の研究では、モバイルCNNの設計と改善に多くの努力が払われていますが、考慮すべきアーキテクチャの可能性が多いため、これらのトレードオフを手動でバランスさせるのは非常に難しいです。本論文では、モデルのレイテンシを主要な目的関数に明示的に組み込む自動化されたモバイルニューラルアーキテクチャサーチ（MNAS）手法を提案します。これにより、検索プロセスが精度とレイテンシの良いバランスを達成するモデルを見つけることが可能になります。従来の手法では、FLOPSなどのしばしば不正確な代理指標を通じてレイテンシを考慮していましたが、我々の手法は実際の推論レイテンシを直接測定するためにスマートフォン上でモデルを実行します。さらに柔軟性と探索空間のサイズとのバランスを取りつつ、ネットワーク全体での層の多様性を促進する新しい階層分解型探索空間を提案します。実験結果は、我々の手法が複数の視覚タスクにおいて最先端のモバイルCNNモデルよりも一貫して優れていることを示しています。ImageNet分類タスクにおいて、我々が提案したMnasNetは75.2% のトップ-1精度と78ミリ秒のレイテンシ（Pixel電話上）を達成しており、MobileNetV2 [29] より1.8倍速く0.5% 高い精度を持ち、またNASNet [36] より2.3倍速く1.2% 高い精度を持っています。またCOCOオブジェクト検出タスクにおいてもMnasNetはMobileNetsよりも高いmAP品質を達成しています。コードは https://github.com/tensorflow/tpu/tree/master/models/official/mnasnet で公開されています。