AutoSGRL：自监督图表示学习自动化框架构建及其在生物医学智能计算中的应用探索

本文提出首个自监督图表示学习（SGRL）自动化构建框架AutoSGRL，通过遗传算法（GA）智能搜索数据增强策略与代理任务组合，突破传统人工设计瓶颈，为生物医学网络数据（如药物发现、蛋白相互作用）的无监督表征学习提供高效解决方案。

　　

^亮点

• 提出首个自监督图表示学习（SGRL）自动化框架构建方法AutoSGRL，实现框架组件与超参数协同优化

• 构建涵盖数据增强、代理任务、隐藏维度、学习率与权重衰减率的综合搜索空间

• 实验证明其性能媲美甚至超越半监督图神经网络架构搜索（GNN-NAS）与人工设计SGRL方法

^结论

本文首次提出自监督图表示学习框架的自动化构建方法。通过启发式搜索构建的框架空间，AutoSGRL在建立有效SGRL框架的同时自动优化超参数。大量实验表明，本方法在性能上可与最先进的手工设计自监督图表示学习（GRL）算法及半监督图神经网络架构搜索方案相竞争。