摘要

图神经网络（GNNs）在分析非欧几里得数据（如社交网络数据和生物数据）方面得到了广泛应用。尽管取得了成功，但图神经网络的设计需要大量的手工工作和领域知识。本文提出了一种基于强化学习的图神经架构搜索方法（简称GraphNAS），该方法能够自动搜索最佳的图神经网络架构。具体而言，GraphNAS首先使用递归神经网络生成描述图神经网络架构的可变长度字符串，然后通过强化学习训练递归神经网络，以最大化生成架构在验证数据集上的预期准确性。在传导学习和归纳学习设置下的节点分类任务中，广泛的实验结果表明，GraphNAS能够在Cora、Citeseer、Pubmed引文网络以及蛋白质-蛋白质相互作用网络上实现持续优于其他方法的性能。在节点分类任务中，GraphNAS设计的新颖网络架构在测试集准确性方面可以与最佳的人工设计架构相媲美。