자동 관계 인지 그래프 네트워크 확산

그래프 신경망 아키텍처 탐색은 그래프 신경망(GNN)이 다양한 관계형 작업에서 뛰어난 추론 능력을 보여주며 주목받고 있다. 그러나 현재 사용되는 그래프 탐색 공간은 노드 특징 학습에 과도하게 초점을 맞추며 계층적인 관계 정보 탐사에 소홀하다. 더불어 메시지 전달 메커니즘의 다양성으로 인해 그래프 탐색 공간은 CNN에 비해 훨씬 더 크며, 이는 기존의 전통적인 탐색 전략을 복잡한 그래프 탐색 공간 탐색에 직관적으로 적용하는 것을 어렵게 만든다. 본 연구에서는 관계 지도 메시지 전달 메커니즘을 갖춘 효율적인 GNN 탐색을 위한 자동 관계 인지 그래프 네트워크 확장(Automatic Relation-aware Graph Network Proliferation, ARGNP)을 제안한다. 구체적으로, 먼저 노드 및 관계 학습 연산을 포함하는 새로운 이중 관계 인지 그래프 탐색 공간을 설계하였다. 이러한 연산들은 계층적인 노드/관계 정보를 추출할 수 있으며, 그래프 상의 메시지 전달에 비등방성(이방향성) 지도를 제공한다. 두 번째로, 세포 증식과 유사하게, 네트워크 분열과 분화를 반복적으로 수행함으로써 점진적으로 GNN 아키텍처를 결정하는 네트워크 확장 탐색 패러다임을 설계하였다. 네 가지 그래프 학습 작업에 대한 여섯 개의 데이터셋에서 수행된 실험 결과, 본 연구에서 제안하는 방법으로 생성된 GNN은 현재 최고의 수작업 및 탐색 기반 GNN보다 우수한 성능을 보였다. 코드는 https://github.com/phython96/ARGNP 에 공개되어 있다.