我々は、ペアのない画像間翻訳タスクを実行するCycleGAN向けのニューラルアーキテクチャ探索（NAS）フレームワークを開発した。従来の生成対抗ネットワーク（GAN）向けNAS技術をCycleGANに拡張することは、タスクの違いおよびより広大な探索空間のため、直感的ではない。そこで、単純なResNetベースのセルを積層したアーキテクチャを設計し、大規模な探索空間を効果的に探索するための探索手法を開発した。本研究で提案するフレームワーク「CycleGANAS」は、元のCycleGANと同等またはそれを上回る性能を持つ高効率なアーキテクチャを効果的に発見できることを示した。さらに、各翻訳方向に対して個別にアーキテクチャ探索を行うことで、データの不均衡問題にも成功裏に対応した。筆者らの知る限り、これはCycleGANに対する初めてのNASの成果であり、より複雑な構造に対するNASの可能性を示唆するものである。