뉴럴 아키텍처 서치(Neural Architecture Search, NAS)는 수동적인 아키텍처 설계 대신, 아키텍처 탐색 과정을 자동화하는 것을 목표로 한다. 최근의 NAS 접근법은 검색 과정을 며칠 내에 완료할 수 있지만, 특정 아키텍처 후보에 대해 정확한 평가를 위해 매개변수를 얻기 위해 여전히 긴 학습 과정이 필요하다. 최근 제안된 원샷 NAS(One-shot NAS) 방법들은 후보 간에 매개변수를 공유함으로써 이 지루한 학습 과정을 크게 단축시키고자 한다. 이를 통해 각 후보에 대한 매개변수를 처음부터 학습하는 대신, 공유된 매개변수에서 직접 추출할 수 있다. 그러나 이러한 방법들은 평가 전까지 어떤 후보가 더 나은 성능을 보일지에 대한 판단 기준이 없기 때문에, 후보들은 무작위로 샘플링되며, 그 중 상위 1위 후보만 최고의 후보로 간주하게 된다. 본 논문에서는 평가 대상 아키텍처 후보의 품질을 향상시켜 경쟁력 있는 후보를 더 잘 포함할 수 있도록 하는 자기 평가 템플릿 네트워크(Self-Evaluated Template Network, SETN)를 제안한다. SETN은 두 가지 구성 요소로 이루어져 있다. (1) 평가기(Evaluator): 각 개별 아키텍처가 낮은 검증 손실을 가질 가능성을 나타내는 확률을 학습한다. 이를 바탕으로 평가 대상 후보를 평가기의 판단에 따라 선택적으로 샘플링할 수 있다. (2) 템플릿 네트워크(Template Network): 모든 후보 간에 매개변수를 공유함으로써 생성된 후보들의 학습 비용을 분산시킨다. 실험 결과, SETN이 탐색한 아키텍처는 CIFAR 및 ImageNet 벤치마크에서 기존 최고 성능을 달성하였으며, 계산 비용은 비교 가능한 수준을 유지하였다. 코드는 GitHub에서 공개되어 있다: https://github.com/D-X-Y/AutoDL-Projects.