Búsqueda de arquitecturas neuronales
Sinónimos: Neural Architecture Search · NAS
Definición ampliada
La búsqueda de arquitecturas neuronales, Neural Architecture Search o NAS, automatiza la elección de la estructura de una red: capas, conexiones u operaciones permitidas. Requiere definir un espacio de arquitecturas, una estrategia de búsqueda y una forma de estimar el rendimiento de cada candidata [1].
Es una parte posible de AutoML. No elige por sí sola la pregunta, los datos, el desenlace ni la validez de la evaluación. Tampoco equivale a aprendizaje profundo, que es la familia de modelos en la que suele aplicarse.
Contexto histórico
En ICLR 2017, Zoph y Le presentaron una búsqueda que empleaba una red controladora entrenada con aprendizaje por refuerzo para proponer arquitecturas y evaluarlas [1]. Su estudio mostró una vía de automatizar decisiones que hasta entonces se tomaban de forma manual.
Importancia actual
A fecha de septiembre de 2026, NAS permite explorar configuraciones bajo criterios explícitos de rendimiento y coste. El resultado depende del espacio que se permitió buscar y del presupuesto disponible: «óptima» solo puede significar mejor entre las candidatas y condiciones ensayadas.
Aplicaciones
Generales
- Comparar estructuras de redes para clasificación de imágenes.
- Buscar un compromiso entre rendimiento, tamaño y latencia.
- Estudiar cómo influyen restricciones de hardware en el diseño.
Sanitarias
En investigación con imágenes médicas, puede proponer arquitecturas para una tarea definida. Una mejora en validación interna no demuestra que funcione en otro escáner, centro o población; hay que evaluar esas condiciones aparte.
Limitaciones
- Entrenar o estimar numerosas candidatas consume tiempo y recursos.
- Reutilizar el mismo conjunto de validación para muchas decisiones puede sobreajustar la arquitectura a ese conjunto.
- Una búsqueda eficiente dentro de un espacio estrecho puede ignorar estructuras útiles fuera de él.
- La arquitectura elegida no resuelve sesgos de datos, fugas de información ni problemas de transporte clínico.
Ejemplos
Ejemplo hipotético: se define un espacio de redes para clasificar imágenes de retina y se reserva un presupuesto de cómputo. NAS selecciona la candidata con mejor puntuación interna. Al probarla en imágenes de otro dispositivo, el rendimiento cae: la selección resolvió la búsqueda local, no la adaptación al nuevo entorno.