基于自适应贝叶斯遗传算法的图表示学习神经网络架构搜索
机器学习
2025-09-24 v3 神经与进化计算
摘要
有效且高效的图表示学习对于启用节点分类、链路预测和子图搜索等关键下游任务至关重要。然而，现有的图神经网络（GNN）架构往往难以适应多样且复杂的图结构，限制了其产生结构感知和任务判别性表示的能力。为此，我们提出了 ABG-NAS，这是一个为图表示学习定制的自动化图神经网络架构搜索框架。ABG-NAS 包含三个关键组件：综合架构搜索空间（CASS）、自适应遗传优化策略（AGOS）以及贝叶斯引导调优模块（BGTM）。CASS 系统性地探索多样化的传播（P）和转换（T）操作，使能够捕获能够捕获复杂图特征的 GNN 架构。AGOS 在探索与开发之间动态平衡，确保搜索效率并保持解决方案的多样性。BGTM 进一步定期优化超参数，增强所得架构的可扩展性和鲁棒性。在 Cora、PubMed、Citeseer 和 CoraFull 等基准数据集上的经验评估表明，ABG-NAS 在手动设计的 GNN 和最先进的神经网络架构搜索（NAS）方法上 consistently 取得优势。这些结果凸显了 ABG-NAS 在为多样化图结构提供可扩展且自适应解决方案方面，推动图表示学习潜力的潜力。我们的代码已公开：https://github.com/sserranw/ABG-NAS。
引用
@article{arxiv.2504.21254,
title = {ABG-NAS: Adaptive Bayesian Genetic Neural Architecture Search for Graph Representation Learning},
author = {Sixuan Wang and Jiao Yin and Jinli Cao and MingJian Tang and Hua Wang and Yanchun Zhang},
journal= {arXiv preprint arXiv:2504.21254},
year = {2025}
}
备注
Accepted by *Knowledge-Based Systems* (Elsevier), 2025. DOI: https://doi.org/10.1016/j.knosys.2025.114235