신경망 아키텍처 탐색(Neural Architecture Search, NAS) 기술은 다양한 분야에서 신경망의 아키텍처와 가중치를 함께 학습하는 데 활용되고 있다. 그러나 기존의 대부분의 NAS 연구들은 특정 작업에 특화되어 있으며, 인간이 설계한 신경망을 대체하기 위해 단일 아키텍처를 최적화하는 데 집중하고 있다. 실제로 이러한 연구들의 탐색 과정은 작업의 도메인 지식과 거의 무관하게 진행된다. 본 논문에서는 인간 자세 추정 작업을 위한 새로운 솔루션인 '자세 신경 직물 탐색(Pose Neural Fabrics Search, PoseNFS)'을 제안한다. 우리는 NAS와 인간 자세 추정 작업을 위한 새로운 접근법을 탐색한다: 부분 특화형 신경 아키텍처 탐색으로, 이는 다중 작업 학습의 일종으로 볼 수 있다. 먼저, 미세 및 거시적 신경 아키텍처를 미분 가능한 탐색 전략을 통해 학습할 수 있는 새로운 NAS 공간인 Cell 기반 신경 직물(Cell-based Neural Fabric, CNF)을 설계하였다. 이후 인간 관절의 위치 추정을 서로 분리된 예측 하위 작업들로 간주하고, 신체 구조에 대한 사전 지식을 활용하여 각 인간 부위에 맞는 부분 특화형 신경 아키텍처를 탐색한다. 탐색 과정을 마친 후, 각 부분 특화형 CNF는 고유한 미세 및 거시 아키텍처 파라미터를 갖게 된다. 실험 결과, 지식 기반의 NAS 기반 아키텍처는 수작업으로 설계된 부분 기반 기준 모델에 비해 성능 향상이 뚜렷하게 나타났다. MPII 및 MS-COCO 데이터셋에서의 실험을 통해 PoseNFS\footnote{코드는 \url{https://github.com/yangsenius/PoseNFS}에서 제공됩니다}가 일부 효율적이고 최신 기술 수준의 방법들과 경쟁 가능한 성능을 달성함을 입증하였다.