自动图神经网络设计：图结构学习与图神经架构搜索的统一综述

《ARTIFICIAL INTELLIGENCE REVIEW》：Automated graph construction and graph neural network search: a survey

　　

摘要

图被广泛用于描述物理驱动的真实世界网络场景中的对象及其相互作用，包括交通、网络和能源等领域。图神经网络（GNN）是处理图结构数据的最新深度学习（DL）模型，广泛应用于各种任务，例如预测、分类/故障检测和决策问题。然而，基于GNN的任务仍面临两大挑战。首先，GNN在学习表达性图表示方面具有强大能力，但这种能力依赖于图结构的可用性和质量，而实际中，图结构往往是嘈杂的、不完整的，甚至不可用的。其次，各种GNN架构通常以人工启发式的方式进行设计，这不仅需要特定领域专家的知识，而且由于探索不足，不可避免地导致性能次优。为了解决上述问题，本综述提出了自动图神经网络设计的统一视角，将图结构学习和图神经架构搜索（GNAS）整合到一个统一的下游任务流程中。具体而言，我们的研究首先从任务无关的启发式策略和任务感知（端到端）学习策略的角度，系统地分类了图结构学习范式。然后，从微搜索空间和大搜索空间、架构嵌入、搜索策略和性能评估方法等方面，全面综合了GNAS的步骤，并深入分析了其适用性和局限性。此外，还从概念上概述了图结构学习与GNAS架构搜索之间的交互范式。最后，总结了自动GNAS中的开放性问题。本综述旨在从数据（即图结构）和模型（即自动GNN架构）两个视角，为图神经网络的自动化表示学习提供深刻的见解。