摘要
深度神经网络的架构设计与超参数选择通常依赖于经验猜测。由于参数空间过于庞大，无法穷举所有可能性，因此往往只能获得次优解。尽管已有部分研究提出了自动化的架构与超参数搜索方法，但这些方法大多局限于图像类应用。本文提出了一种适用于图数据的进化框架，且该框架具有扩展性，可推广至一般图结构数据。该进化框架通过变异操作对一组神经网络种群进行演化，以搜索架构与超参数空间。在神经进化过程的每一阶段，均可对网络层进行增删、调整超参数，或增加额外的训练轮次（epochs）。基于近期成功经验的概率化变异选择策略，能够有效引导学习过程，提升搜索效率与模型准确性。实验结果表明，仅使用10个网络的小规模种群，即可在MUTAG蛋白质分类任务上达到当前最优性能，并揭示了逐步构建高效网络架构的有益规律与洞察。