在神经架构搜索中，神经网络架构的空间通过自动探索来最大化的预测给定任务的准确率。尽管这些方法有所成功，但大部分已有方法因为固有的计算复杂性或者高内存消耗，不能直接应用到大规模问题上。在此论文《Probabilistic Neural Architecture Search》中，作者提出了神经架构搜索的概率犯法，能够极大的减少内存需求，同事维持 SOTA 水平的计算复杂性，使得直接在更大的数据集上，搜索更复杂的架构成为可能。