GraphNAS: 강화학습을 활용한 그래프 신경망 아키텍처 검색

그래프 신경망 (GNNs)은 소셜 네트워크 데이터와 생물학적 데이터와 같은 비유클리드 데이터를 분석하는 데 널리 사용되어 왔습니다. 그러나 그들의 성공에도 불구하고, 그래프 신경망의 설계는 많은 수작업과 전문 지식을 필요로 합니다. 본 논문에서는 강화 학습을 기반으로 최적의 그래프 신경망 구조를 자동으로 탐색할 수 있는 그래프 신경 아키텍처 검색 방법 (GraphNAS라고 간단히 부름)을 제안합니다. 구체적으로, GraphNAS는 먼저 순환 신경망을 사용하여 그래프 신경망의 구조를 설명하는 가변 길이 문자열을 생성하고, subsequently, 이 순환 신경망을 강화 학습을 통해 검증 데이터 세트에서 생성된 구조의 예상 정확도를 최대화하도록 훈련시킵니다. 전도적 학습과 귀납적 학습 환경에서 노드 분류 작업에 대한 광범위한 실험 결과가 Cora, Citeseer, Pubmed 인용 네트워크 및 단백질-단백질 상호 작용 네트워크에서 GraphNAS가 일관성 있게 더 우수한 성능을 달성할 수 있음을 보여줍니다. 노드 분류 작업에서 GraphNAS는 테스트 세트 정확도 측면에서 최고의 인간이 설계한 아키텍처와 견줄 수 있는 새로운 네트워크 아키텍처를 설계할 수 있습니다.