AutoGL：一个自动化图学习库
机器学习
2024-03-06 v4 人工智能
摘要
近年来，图上机器学习的研究兴趣与应用激增。然而，针对不同图数据集与任务手动设计最优机器学习算法缺乏灵活性、耗费人力且需要专家知识，限制了其适应性与适用性。图上自动化机器学习（AutoML）旨在为给定图数据集与任务自动设计最优机器学习算法，已受到相当关注。然而，现有库均无法完全支持图上 AutoML。为填补这一空白，我们提出自动化图学习（AutoGL），首个专为图上自动化机器学习设计的库。AutoGL 开源、易用且可灵活扩展。具体而言，我们提出了一个三层架构，由对接设备的后端、完整的自动化图学习流水线以及所支持的图应用组成。自动化机器学习流水线进一步包含五个功能模块：自动特征工程、神经架构搜索、超参数优化、模型训练与自动集成，覆盖了现有大部分图上 AutoML 方法。每个模块中，我们提供了众多最先进的方法以及灵活的基础类与 API，便于使用与定制。我们进一步给出实验结果以展示 AutoGL 库的用法。我们还提出了 AutoGL-light，AutoGL 的轻量版，以促进流水线定制与应用丰富，以及图神经架构搜索的基准。AutoGL 的代码公开于 https://github.com/THUMNLab/AutoGL。
引用
@article{arxiv.2104.04987,
title = {AutoGL: A Library for Automated Graph Learning},
author = {Ziwei Zhang and Yijian Qin and Zeyang Zhang and Chaoyu Guan and Jie Cai and Heng Chang and Jiyan Jiang and Haoyang Li and Zixin Sun and Beini Xie and Yang Yao and Yipeng Zhang and Xin Wang and Wenwu Zhu},
journal= {arXiv preprint arXiv:2104.04987},
year = {2024}
}
备注
Extended version; initial version published at ICLR 2021 Workshop on Geometrical and Topological Representation Learning