기 학습된 제1 뉴럴 네트워크를 수신하는 단계;상기 제1 뉴럴 네트워크를 복수의 제2 뉴럴 네트워크들로 샘플링하는 단계;상기 제2 뉴럴 네트워크들 각각에 대하여, 타겟 데이터의 일부를 이용하여 학습하는 단계; 및상기 학습된 제2 뉴럴 네트워크들 중 미리 정해진 조건을 만족하는 제2 뉴럴 네트워크를 선택하는 단계를 포함하는 뉴럴 아키텍쳐 탐색(NAS; neural architecture search) 방법.

제1항에 있어서,상기 선택된 제2 뉴럴 네트워크를 상기 타겟 데이터를 이용하여 학습하는 단계를 더 포함하는 뉴럴 아키텍쳐 탐색 방법.

제2항에 있어서,상기 선택된 제2 뉴럴 네트워크를 학습하는 단계는상기 제1 뉴럴 네트워크를 이용하여 상기 선택된 제2 뉴럴 네트워크를 학습하는 단계를 포함하는, 뉴럴 아키텍쳐 탐색 방법.

제3항에 있어서,상기 제1 뉴럴 네트워크를 이용하여 상기 선택된 제2 뉴럴 네트워크를 학습하는 단계는상기 제1 뉴럴 네트워크를 교사 네트워크(teacher network)로 상기 선택된 제2 뉴럴 네트워크를 학생 네트워크(student network)로 결정하는 단계; 및상기 선택된 제2 뉴럴 네트워크를 상기 제1 뉴럴 네트워크에 기초하여 교사 학습(teacher learning)하는 단계를 포함하는, 뉴럴 아키텍쳐 탐색 방법.

제1항에 있어서,상기 제2 뉴럴 네트워크들 각각을 학습하는 단계는상기 제2 뉴럴 네트워크들 각각에 대하여, 상기 타겟 데이터에 대응하는 라벨링된 데이터 없이 학습하는 단계를 포함하는, 뉴럴 아키텍쳐 탐색 방법.

제1항에 있어서,상기 제2 뉴럴 네트워크들 각각을 학습하는 단계는상기 제2 뉴럴 네트워크들 각각에 상기 타겟 데이터의 일부를 입력하여 획득한 출력을 이용하여, 상기 제2 뉴럴 네트워크들 각각의 아키텍쳐 파라미터를 학습하는 단계를 포함하는, 뉴럴 아키텍쳐 탐색 방법.

제1항에 있어서,상기 제2 뉴럴 네트워크들 각각을 학습하는 단계는상기 제2 뉴럴 네트워크들 각각에 대하여, 상기 타겟 데이터의 일부를 이용하여 자기 지도 학습(SSL; self-supervised learning) 태스크를 수행하는 단계; 및상기 자기 지도 학습 태스크 수행 결과에 기초하여, 상기 제2 뉴럴 네트워크들 각각의 아키텍쳐 파라미터를 학습하는 단계를 포함하는, 뉴럴 아키텍쳐 탐색 방법.

제1항에 있어서,상기 제2 뉴럴 네트워크들 각각을 학습하는 단계는상기 제2 뉴럴 네트워크들 각각에 대하여, 상기 타겟 데이터의 일부를 이용하여 준지도 학습(sSL; semi-supervised learning) 태스크를 수행하는 단계; 및상기 준지도 학습 태스크 수행 결과에 기초하여, 상기 제2 뉴럴 네트워크들 각각의 아키텍쳐 파라미터를 학습하는 단계를 포함하는, 뉴럴 아키텍쳐 탐색 방법.

제1항에 있어서,상기 제2 뉴럴 네트워크를 선택하는 단계는상기 학습된 제2 뉴럴 네트워크들 중에서, 퀄리티(quality) 조건을 만족하는 제2 뉴럴 네트워크들을 분류하는 단계;상기 퀄리티 조건을 만족하는 제2 뉴럴 네트워크들을, 성능 조건 및 에너지 소모 조건 중 적어도 하나에 기초하여 평가하는 단계; 및상기 평가 결과에 기초하여, 제2 뉴럴 네트워크를 선택하는 단계를 포함하는, 뉴럴 아키텍쳐 탐색 방법.

하드웨어와 결합되어 제1항 내지 제9항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.

기 학습된 제1 뉴럴 네트워크를 수신하고, 상기 제1 뉴럴 네트워크를 복수의 제2 뉴럴 네트워크들로 샘플링하고, 상기 제2 뉴럴 네트워크들 각각에 대하여, 타겟 데이터의 일부를 이용하여 학습하고, 상기 학습된 제2 뉴럴 네트워크들 중 미리 정해진 조건을 만족하는 제2 뉴럴 네트워크를 선택하는 프로세서를 포함하는 뉴럴 네트워크 장치.

제11항에 있어서,상기 프로세서는선택된 제2 뉴럴 네트워크를 상기 타겟 데이터를 이용하여 학습하는, 뉴럴 네트워크 장치.

제12항에 있어서,상기 프로세서는제1 뉴럴 네트워크를 이용하여 상기 선택된 제2 뉴럴 네트워크를 학습하는, 뉴럴 네트워크 장치.

제13항에 있어서,상기 프로세서는상기 제1 뉴럴 네트워크를 교사 네트워크(teacher network)로 상기 선택된 제2 뉴럴 네트워크를 학생 네트워크(student network)로 결정하고, 상기 선택된 제2 뉴럴 네트워크를 상기 제1 뉴럴 네트워크에 기초하여 교사 학습(teacher learning)하는, 뉴럴 네트워크 장치.

제11항에 있어서,상기 프로세서는상기 제2 뉴럴 네트워크들 각각에 대하여, 상기 타겟 데이터에 대응하는 라벨링된 데이터 없이 학습하는, 뉴럴 네트워크 장치.

제11항에 있어서,상기 프로세서는상기 제2 뉴럴 네트워크들 각각에 상기 타겟 데이터의 일부를 입력하여 획득한 출력을 이용하여, 상기 제2 뉴럴 네트워크들 각각의 아키텍쳐 파라미터를 학습하는, 뉴럴 네트워크 장치.

제11항에 있어서,상기 프로세서는상기 제2 뉴럴 네트워크들 각각에 대하여, 상기 타겟 데이터의 일부를 이용하여 자기 지도 학습(SSL; self-supervised learning) 태스크를 수행하고, 상기 자기 지도 학습 태스크 수행 결과에 기초하여 상기 제2 뉴럴 네트워크들 각각의 아키텍쳐 파라미터를 학습하는, 뉴럴 네트워크 장치.

제11항에 있어서,상기 프로세서는상기 제2 뉴럴 네트워크들 각각에 대하여, 상기 타겟 데이터의 일부를 이용하여 준지도 학습(sSL; semi-supervised learning) 태스크를 수행하고, 상기 준지도 학습 태스크 수행 결과에 기초하여 상기 제2 뉴럴 네트워크들 각각의 아키텍쳐 파라미터를 학습하는, 뉴럴 네트워크 장치.

제11항에 있어서,상기 프로세서는상기 학습된 제2 뉴럴 네트워크들 중에서 퀄리티(quality) 조건을 만족하는 제2 뉴럴 네트워크들을 분류하고, 상기 퀄리티 조건을 만족하는 제2 뉴럴 네트워크들을 성능 조건 및 에너지 소모 조건 중 적어도 하나에 기초하여 평가하고, 상기 평가 결과에 기초하여 제2 뉴럴 네트워크를 선택하는, 뉴럴 네트워크 장치.