Усовершенствованный поиск архитектур в автоматическом решении задач графового машинного обучения: расширение и динамическая приоритизация пространства поиска для повышения эффективности

В данной работе исследуются методы улучшения процесса автоматизированного поиска архитектур для графовых нейронных сетей (ГНС). Мы предлагаем новый подход, основанный на адаптивном изменении пространства поиска посредством выделения приоритетных направлений, что позволяет повысить эффективность поиска архитектур. Еще один предлагаемый подход расширяет пространство поиска, разрешая комбинировать различные типы графовых сверточных слоев. Основное внимание уделяется максимизации точности архитектур в расширенном пространстве поиска при фиксированном бюджете поиска по количеству моделей. Наши эксперименты проводятся на наборах данных цитирования, химических молекул и графов покупок. Результаты экспериментов показывают, что предложенный подход позволяет находить более эффективные модели без увеличения вычислительных ресурсов и демонстрирует высокую перспективность для автоматизации решений реальных задачах анализа графовых данных.