要約
グラフニューラルネットワーク（GNNs）は、ソーシャルネットワークデータや生物学データなどの非ユークリッドデータの分析に広く使用されています。それらの成功にもかかわらず、グラフニューラルネットワークの設計には多くの手動作業と専門知識が必要です。本論文では、強化学習に基づいて最適なグラフニューラルアーキテクチャを自動的に探索できるグラフニューラルアーキテクチャサーチ手法（GraphNASと略す）を提案します。具体的には、GraphNASはまず再帰型ネットワークを使用して、グラフニューラルネットワークのアーキテクチャを記述する可変長文字列を生成し、次に強化学習によって再帰型ネットワークを訓練して、生成されたアーキテクチャの検証データセットでの予想精度を最大化します。伝導学習および誘導学習設定におけるノード分類タスクに関する広範な実験結果から、GraphNASがCora, Citeseer, Pubmed引用ネットワークおよびプロテイン-プロテイン相互作用ネットワークで一貫して優れた性能を達成できることを示しています。ノード分類タスクにおいて、GraphNASはテストセットの精度面で最高の人間が考案したアーキテクチャに匹敵する新しいネットワークアーキテクチャを設計することができます。