.png){kind=icon}
返回
Decoupled graph neural architecture search with explainable variable propagation operation
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-024-02329-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大多数图神经网络（GNNs）受困于过平滑问题，这限制了性能的进一步提升。因此，许多研究将GNN解耦为两种原子操作，即传播（P）操作和转换（T）操作，以提出一种名为解耦图神经网络（DGNNs）的范式来缓解这一问题。由于手动设计DGNNs架构既耗时又依赖专家经验，解耦图神经网络架构搜索（DGNAS）方法被提出并取得了成功。然而，现有的DGNAS方法缺乏对具有自适应可变P操作的DGNN架构设计的解释，这阻碍了研究人员进一步探索DGNAS方法。此外，先前DGNAS方法采用的简单进化搜索算法缺乏对搜索方向的约束，限制了其在探索DGNN架构时的搜索效率。为解决上述挑战，我们提出了解耦图神经网络架构搜索与可解释可变传播操作（DGNAS-EP）方法。具体而言，我们提出了平均可区分性（MD）指标来衡量节点表示的可区分状态，这有效解释了DGNAS方法为何应构建具有可变P操作的DGNN架构的重要性。不同分布的图需要在DGNN架构中采用不同的P操作以进行自适应调整，从而获得最优MD，这对提升DGNNs性能至关重要。此外，DGNAS-EP利用已探索的历史DGNN架构作为先验知识，基于进化状态约束搜索方向，从而有效提高了DGNAS方法的搜索效率。在真实图数据集上的实验表明，我们提出的方法DGNAS-EP优于当前最先进的基准方法。代码可在https://github.com/frankdoge/DGNAS-EP.git获取。
Keyword:
Decoupled Graph neural network
Graph neural architecture search
Propagation operation
Evolutionary algorithm
期刊
IF:
3.1
论文数:
567
被引数:
5.2K
机构
暂无机构信息
引用论文
.png){kind=icon}
Bring Your Own View: Graph Neural Networks for Link Prediction with Personalized Subgraph Selection
OAAI
OAAI分享收藏A Survey of Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions推荐系统的图神经网络综述: 挑战、方法和方向OAAI
OAAI分享收藏
查看更多内容