DFG-NAS：深度且灵活的图神经架构搜索
机器学习
2022-06-20 v1
摘要
图神经网络（GNNs）已被广泛应用于各种基于图的任务。尽管取得了成功，手动设计性能良好的GNNs需要大量人类专业知识，因此发现潜在最优的针对特定数据的GNN架构是低效的。本文提出DFG-NAS，一种新颖的神经架构搜索（NAS）方法，可自动搜索非常深且灵活的GNN架构。与大多数关注微架构的现有方法不同，DFG-NAS强调另一层面的设计：搜索原子传播（\textbf{\texttt{P}}）与变换（\textbf{\texttt{T}}）操作如何被整合与组织为GNN的宏架构。为此，DFG-NAS基于消息传递解聚合提出了一个用于\textbf{\texttt{P-T}}排列与组合的新颖搜索空间，定义了四种定制设计的宏架构变异，并采用进化算法进行高效且有效的搜索。在四个节点分类任务上的实证研究表明，DFG-NAS优于最先进的人工设计与GNN的NAS方法。
引用
@article{arxiv.2206.08582,
title = {DFG-NAS: Deep and Flexible Graph Neural Architecture Search},
author = {Wentao Zhang and Zheyu Lin and Yu Shen and Yang Li and Zhi Yang and Bin Cui},
journal= {arXiv preprint arXiv:2206.08582},
year = {2022}
}
备注
13 pages, 7 figures