ニューラルアーキテクチャ探索（Neural Architecture Search, NAS）技術は、多くの分野においてニューラルネットワークのアーキテクチャと重みを共同で学習する手法として登場している。しかし、現存する大多数のNAS研究は、タスク固有の手法であると主張しており、人間が設計したニューラルネットワークの代替として単一のアーキテクチャを最適化することに焦点を当てている。実際には、これらの研究における探索プロセスは、タスク固有のドメイン知識とほとんど無関係である。本論文では、ポーズニューラルファブリック探索（Pose Neural Fabrics Search, PoseNFS）を提案する。我々は、NASと人間のポーズ推定タスクのための新たな解決策を模索し、部位特化型のニューラルアーキテクチャ探索というアプローチを提唱する。これは、マルチタスク学習の一形態と見なすことができる。まず、微視的および巨視的アーキテクチャを微分可能な探索戦略を用いて学習可能な、新たなNAS探索空間である「セルベース・ニューラルファブリック（Cell-based Neural Fabric, CNF）」を設計した。次に、人間のキーポイントの位置特定を、複数の分離可能な予測サブタスクとして捉え、身体構造に関する事前知識をガイドとして用い、異なる人間部位に対応する複数の部位特化型ニューラルアーキテクチャの探索を実施した。探索終了後、各部位特化型CNFはそれぞれ異なる微視的および巨視的アーキテクチャパラメータを持つ。実験結果から、こうした知識を導入したNASに基づくアーキテクチャは、手動で設計された部位ベースのベースラインモデルと比較して顕著な性能向上を達成することが示された。MPIIおよびMS-COCOデータセットにおける実験により、PoseNFS\footnote{コードは \url{https://github.com/yangsenius/PoseNFS} で公開中} が、効率的かつ最先端の手法と同等の性能を達成することが確認された。