基于种群自调优 GCN 的自动化图学习
机器学习
2021-07-13 v1 计算机视觉与模式识别
摘要
由于提取有效图嵌入的卓越能力，图卷积网络（GCN）及其变体已成功应用于节点分类、链接预测和图分类等广泛任务。传统 GCN 模型存在过拟合与过平滑问题，而 DropEdge 等近期技术可缓解这些问题，从而促成深度 GCN 的发展。然而，训练 GCN 模型并非易事，因为它对超参数（如 dropout 率与学习权重衰减）的选择十分敏感，深度 GCN 模型尤甚。本文旨在通过超参数优化实现 GCN 模型训练的自动化。具体而言，我们提出一种带交替训练算法的自调优 GCN 方法，并通过引入基于种群的训练方案进一步扩展该方法。在三个基准数据集上的实验结果证明了我们的方法在优化多层 GCN 上相对于若干代表性基线的有效性。
引用
@article{arxiv.2107.04713,
title = {Automated Graph Learning via Population Based Self-Tuning GCN},
author = {Ronghang Zhu and Zhiqiang Tao and Yaliang Li and Sheng Li},
journal= {arXiv preprint arXiv:2107.04713},
year = {2021}
}
备注
This manuscript has been accepted by the SIGIR2021