摘要
图神经网络（Graph Neural Networks, GNN）已在处理图结构数据方面取得了成功应用。在特定应用场景下，通常需要大量的人工经验与繁琐的试错过程，才能甄别出合适的GNN架构。这是因为GNN架构的性能显著受到图卷积组件选择的影响，例如聚合函数（aggregate function）和隐藏层维度（hidden dimension）等关键设计参数。神经架构搜索（Neural Architecture Search, NAS）在图像识别与语言建模等任务中已展现出发现高效深度网络架构的巨大潜力。然而，现有的NAS算法难以直接应用于GNN架构搜索问题，主要原因有三：其一，GNN的搜索空间与现有NAS研究中的空间存在本质差异；其二，GNN架构的表征学习能力对微小的结构变化极为敏感，这种高度敏感性显著降低了传统搜索方法的效率；其三，NAS中广泛采用的参数共享技术在GNN场景下可能变得不稳定。为弥合这一差距，本文提出自动化图神经网络（Automated Graph Neural Networks, AGNN）框架，旨在预定义的搜索空间内自动寻找到最优的GNN架构。AGNN设计了一种基于强化学习的控制器，通过小步贪心策略对候选架构进行高效验证。此外，AGNN提出了一种新颖的参数共享机制，该机制基于精心定义的“同质性”（homogeneity）准则，使具有同质结构的GNN模型能够共享参数，从而提升搜索效率与稳定性。在多个真实世界基准数据集上的实验结果表明，AGNN所发现的GNN架构在性能上优于现有的手工设计模型以及传统搜索方法，展现出卓越的泛化能力与优化效果。