基于自适应贝叶斯遗传算法的图神经网络架构搜索框架ABG-NAS及其在图表示学习中的应用

本文推荐：ABG-NAS创新性地将自适应遗传算法（AGOS）与贝叶斯优化（BGTM）结合，构建了面向图表示学习的全自动神经架构搜索（NAS）框架。通过扩展传播（P）和变换（T）操作的搜索空间（CASS），解决了传统图神经网络（GNN）在复杂图结构适应性不足的痛点，在Cora等基准数据集上显著超越人工设计模型。

　　

Highlight

本文亮点：

• 全面架构搜索空间：将图卷积网络（GCN）的传播（P）与变换（T）操作解耦推广至广义图神经网络（GNN），支持层内P/T组合的多样化探索。

• 自适应遗传策略：动态调整交叉/变异率的AGOS模块突破传统遗传算法（GA）的静态限制，实现探索-开发的智能平衡。

• 贝叶斯调优模块：周期性嵌入的BGTM通过概率代理模型优化超参数，显著提升架构在CoraFull等大规模图数据上的鲁棒性。

Proposed Method

方法创新：

如图2所示，ABG-NAS框架通过三阶段协同工作：1）CASS定义包含注意力机制（GAT）和门控聚合（GGNN）等12种P/T操作的搜索空间；2）AGOS采用精英保留策略，当种群多样性低于阈值时触发自适应变异；3）BGTM每5代使用高斯过程（GP）优化学习率和dropout率等超参数。

Experimental Analysis

实验发现：

在PubMed异质图测试中，ABG-NAS相比GraphNAS准确率提升9.7%，参数量减少23%。消融实验证实：单独移除BGTM会导致Cora数据集上的F₁分数下降14.2%，验证了贝叶斯调优对架构泛化能力的关键作用。

Conclusion

结论展望：

ABG-NAS为复杂图结构学习提供了可扩展的自动化解决方案，未来将探索其在分子属性预测（MoleculeNet）和疾病关联挖掘（DisGeNET）等生物医学场景的应用。代码已开源（GitHub链接）。