AutoHEnsGNN：KDD Cup 2020 AutoGraph挑战赛获胜方案

图神经网络（GNNs）已变得越来越流行，并在许多基于图的应用中取得了令人印象深刻的结果。然而，设计有效的架构需要大量的手工工作和领域知识，并且GNN模型的结果在不同的训练设置下具有高方差，这限制了现有GNN模型的应用。在本文中，我们提出了AutoHEnsGNN，一个无需任何人工干预即可为图任务构建有效且鲁棒模型的框架。AutoHEnsGNN在KDD Cup 2020的AutoGraph挑战赛中获得第一名，并在最终阶段在五个真实数据集上取得了最佳排名分数。给定一个任务，AutoHEnsGNN首先应用快速代理评估来自动选择一组有潜力的GNN模型。然后，它构建一个分层集成框架：1）我们提出图自集成（GSE），它可以减少权重初始化的方差，并有效利用局部和全局邻域的信息；2）基于GSE，使用不同类型GNN模型的加权集成来有效学习更具判别性的节点表示。为了高效搜索架构和集成权重，我们提出了AutoHEnsGNN$_{\text{Gradient}}$，它将架构和集成权重视为架构参数，并使用基于梯度的架构搜索来获得最优配置，以及AutoHEnsGNN$_{\text{Adaptive}}$，它可以根据模型准确率自适应地调整集成权重。在节点分类、图分类、边预测和KDD Cup挑战赛上的大量实验证明了AutoHEnsGNN的有效性和通用性。