摘要
近年来，图神经网络（GNNs）在基于图的学习任务中展现了卓越的性能。然而，现有的深度图神经网络（DGNN）架构和神经架构搜索（NAS）框架仍受限于紧密耦合的传播–变换操作，这导致了指数级增长的搜索空间、计算效率低下以及由深度引起的过度平滑问题。为应对这些挑战，本研究提出了一种连续解耦图神经架构搜索（CDGNAS）框架。该框架在连续可微分搜索空间内，将结构传播和特征变换作为独立的架构维度分别建模。同时，采用一种硬件感知的成本约束作为双层多目标优化策略，以在最大化节点分类准确性的同时最小化计算开销。解耦形式的提出降低了传播操作与变换操作之间的有效搜索空间耦合度。实验在包括Cora、Citeseer和PubMed在内的基准引文网络上，以及大规模开放图基准（OGB）数据集上进行了开展。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，在所评估的基准设置下，CDGNAS能够提升节点分类性能。
