针对现有图神经网络的设计严重依赖于专家知识、图节点之间隐藏的潜在高阶特征容易被忽略的问题,提出了一种基于关系特征的可微图神经架构搜索方法(differentiable graph neural architecture search based on relation feature, DGNA...
详细信息
针对现有图神经网络的设计严重依赖于专家知识、图节点之间隐藏的潜在高阶特征容易被忽略的问题,提出了一种基于关系特征的可微图神经架构搜索方法(differentiable graph neural architecture search based on relation feature, DGNAS-RF)。首先,为提高图搜索空间的表征能力,设计了关系特征提取操作,以引导图节点特征的学习。其次,为缓解各候选操作竞争过程中的不稳定因素,利用架构熵正则化策略交替优化可微图搜索空间中的架构参数与网络参数。所提方法在ZINC数据集的图分类任务中达到0.149的平均绝对误差,在CLUSTER数据集的节点分类任务中达到77.0%的平均分类精度,在TSP数据集的边分类任务中达到0.853的F1分数,且在ModelNet10与ModelNet40三维点云数据集上分别达到95.0%与92.8%的总分类精度。实验结果表明,DGNAS-RF方法搜索到的图神经网络明显优于人工设计的网络架构以及GNAS-MP、SGAS和ARGNP等自动搜索方法。
暂无评论