基于蒙特卡洛树搜索的可解释图神经架构搜索（完整版）

Yuya Sasaki

基于蒙特卡洛树搜索的可解释图神经架构搜索（完整版）

机器学习 2025-11-05 v3 人工智能数据库

作者: Yuya Sasaki

摘要

由于图分析的日益普及，图神经网络（GNN）架构的数量迅速增加。尽管我们在广泛应用场景中使用了 GNN，但在多样化图中设计/选择最优 GNN 架构仍是一项费力任务。为减少人力，图神经架构搜索（Graph NAS）已被用于搜索结合现有组件的次优 GNN 架构。然而，现有 Graph NAS 方法因使用复杂搜索空间与神经模型选择架构，缺乏理解为何选中该模型架构的可解释性。因此，我们提出一种可解释 Graph NAS 方法，称为 ExGNAS，其包含（i）可适应多种图的简单搜索空间，以及（ii）采用蒙特卡洛树的搜索算法使决策过程可解释。我们的搜索空间与算法相结合，实现了寻找精确 GNN 模型及搜索空间内重要功能。我们在十二个图中将 ExGNAS 与四种最先进 Graph NAS 方法全面比较评估。实验结果表明 ExGNAS 实现了高平均精度与效率；精度提升达 26.1%，运行时间减少达 88%。此外，我们通过基于问卷的用户研究与架构分析展示了可解释性的有效性。

关键词

图神经架构搜索可解释性蒙特卡洛树搜索图神经网络搜索空间模型效率用户研究

引用

@article{arxiv.2308.15734,
  title  = {Explainable Graph Neural Architecture Search via Monte-Carlo Tree Search (Full version)},
  author = {Yuya Sasaki},
  journal= {arXiv preprint arXiv:2308.15734},
  year   = {2025}
}

基于蒙特卡洛树搜索的可解释图神经架构搜索（完整版）

摘要

关键词

引用

相关论文