AgentNAS는 LLM 기반 설계와 전통적 신경망 구조 탐색(NAS)을 결합해 수작업 검색공간 설계 없이 구조를 탐색하는 3단계 파이프라인이다. LLM이 고품질 시드 구조를 생성한 뒤 이를 명명된 교체 가능한 모듈 슬롯으로 이뤄진 '슬롯형 구조'로 분해해, 과제별로 제한된 검색공간을 자동 정의하고 기존 NAS가 이를 탐색한다. NAS-Bench-360과 Unseen NAS의 분류·회귀·분할·다중라벨 등 17개 과제 중 11개에서 SOTA를 달성해 과제 특화 전문가 설계까지 능가했다. 절제 실험 결과 LLM 시드만으로도 대부분 기존 베이스라인을 넘었고, NAS는 슬롯 간 조합적 재조합으로 추가 이득을 제공했다. 이 노동 분업은 능력 수준이 다른 세 LLM에서 일관되게 유지됐다.
- •LLM 시드 생성 후 '슬롯형 구조'로 분해해 과제별 검색공간을 자동 정의, 수작업 설계 제거
- •NAS-Bench-360·Unseen NAS의 17개 과제 중 11개에서 SOTA 달성
- •LLM 시드만으로도 대부분 기존 베이스라인을 넘어서고, NAS가 조합적 재조합으로 추가 이득 제공
- •능력 수준이 다른 세 LLM에서 노동 분업이 견고하게 유지됨을 확인
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Agentic Neural Architecture Search
- 1.LLM이 시드 아키텍처 생성 후 '슬롯 구조'로 분해, NAS가 탐색하는 AgentNAS 파이프라인 제안
- 2.NAS-Bench-360·Unseen NAS 17개 태스크 중 11개에서 SOTA, 전문가 설계 기준선도 추월
- 3.LLM 시드만으로 다수 태스크 기준선 상회, NAS 슬롯 재조합이 추가 이득 제공
- 4.역량이 다른 3개 LLM에서 동일 패턴 확인, 코드 GitHub 공개
왜 중요한가?
수작업 탐색 공간 설계라는 NAS의 고질적 병목을 LLM 개방형 생성으로 대체하면서 조합 탐색은 기존 NAS에 맡기는 분업 구조가 유효함을 보였다. 새 태스크마다 탐색 공간을 재구축해야 했던 도메인 전문성 비용을 크게 줄일 수 있는 방향이다.
언급 프로젝트
수작업에 의존했던 신경망 아키텍처 탐색(NAS) 과정을 LLM을 활용하여 자동화하려는 시도는 AI 모델 개발 효율성을 획기적으로 높일 잠재력을 가집니다. 국내 AI 연구 및 개발 현장에서 전문 인력의 부담을 줄이고 새로운 모델 개발 속도를 가속화하는 데 크게 기여할 수 있습니다. 이는 제한된 자원으로도 고성능 AI 모델을 효율적으로 개발하려는 국내 스타트업 및 연구기관에 특히 유용할 것입니다.
본문 미리보기
arXiv:2607.07984v1 Announce Type: new Abstract: Neural architecture search (NAS) methods have grown increasingly efficient, yet they remain bounded by manually engineered search spaces that require substantial domain expertise and must be rebuilt for every new task. Large language models (LLMs) can generate architectures in an open-ended space, but how to optimally divide the labor between LLM-driven design and NAS-driven search remains unexplored. We propose a mechanism that bridges these two
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:08AI 초안

