Open Graph Benchmark 上的图属性预测:基于图神经架构搜索的获胜方案
机器学习
2022-07-14 v1
摘要
针对 OGB 图分类任务中的两个分子图数据集和一个蛋白质关联子图数据集,我们通过引入 PAS(池化架构搜索)设计了用于图分类任务的图神经网络框架。同时,我们基于 GNN 拓扑设计方法 F2GNN 对其进行改进,进一步设计特征选择与融合策略,从而在克服深度 GNN 训练过平滑问题的同时,进一步提升模型在图属性预测任务中的性能。最终,我们在这三个数据集上实现了性能突破,显著优于其他采用固定聚合函数的方法。证明 NAS 方法对多任务具有高泛化能力,且我们的方法在处理图属性预测任务上具有优势。
引用
@article{arxiv.2207.06027,
title = {Graph Property Prediction on Open Graph Benchmark: A Winning Solution by Graph Neural Architecture Search},
author = {Xu Wang and Huan Zhao and Lanning Wei and Quanming Yao},
journal= {arXiv preprint arXiv:2207.06027},
year = {2022}
}