摘要
近年来，图神经网络（GNNs）在基于图的学习任务中取得了显著成功。然而，现有的深度图神经网络（DGNN）架构和神经架构搜索（NAS）框架由于传播—变换操作的紧密耦合，仍存在局限性。这导致搜索空间呈指数级增长、计算效率低下以及深度引起的过度平滑问题。为应对上述挑战，本研究提出了连续解耦图神经架构搜索（CDGNAS）框架。所提出的CDGNAS在连续可微搜索空间内，将结构传播和特征变换作为独立的架构维度分别建模。因此，采用硬件感知成本约束作为双层多目标优化策略，在最大化节点分类准确率的同时最小化计算开销。解耦建模减少了传播操作与变换操作之间有效搜索空间的耦合。实验在包括Cora、Citeseer和PubMed在内的基准引文网络以及大规模开放图基准（OGB）数据集上开展。所发现的架构在Cora、Citeseer和PubMed数据集上的节点分类准确率分别为89.36 ± 0.30%、77.58 ± 0.50%和89.15 ± 0.20%。此外，所提出的CDGNAS在ogbn-arxiv数据集上达到了78.92 ± 1.20%的准确率，在ogbn-proteins数据集上达到了81.76 ± 0.60%的ROC-AUC。这些结果表明，CDGNAS能够在所评估的基准设置下提升节点分类性能。
