그래프 분류기의 진화

딥 신경망의 아키텍처 설계와 하이퍼파라미터 선택은 종종 추측에 의존하는 경우가 많다. 파라미터 공간이 너무 크기 때문에 모든 가능성을 탐색하는 것은 불가능하며, 이로 인해 종종 최적해보다 열등한 해를 수용하게 된다. 일부 연구에서는 자동 아키텍처 및 하이퍼파라미터 탐색을 제안하였지만, 이미지 처리 응용 분야에 한정되어 있다. 본 연구에서는 일반적인 그래프 데이터에 적용 가능한 확장성이 있는 진화 프레임워크를 제안한다. 제안하는 진화 프레임워크는 신경망 집단을 변이시켜 아키텍처와 하이퍼파라미터 공간을 탐색한다. 신경진화 과정의 각 단계에서 신경망 레이어를 추가하거나 제거할 수 있으며, 하이퍼파라미터를 조정하거나 추가적인 학습 에포크를 적용할 수 있다. 최근 성공 사례를 기반으로 한 변이 선택 확률을 활용함으로써, 학습 과정을 효율적이고 정확하게 안내할 수 있다. 소규모 10개의 신경망 집단을 이용하여 MUTAG 단백질 분류 문제에서 최신 기술 수준의 성능을 달성하였으며, 효과적인 네트워크 아키텍처를 점진적으로 설계하는 데 있어 흥미로운 통찰을 제공하였다.