Core Concepts
非監督学習における最適なGNNアーキテクチャの自動発見を可能にするDisentangled Self-supervised Graph Neural Architecture Search(DSGAS)モデルが提案されました。
Abstract
この論文では、従来のGNAS方法が教師ありラベルに依存していることから、ラベルが不足している場合や利用できないシナリオで最適なアーキテクチャを発見することが困難であることが指摘されています。提案されたDSGASモデルは、自己監督学習を活用してさまざまなグラフ潜在要因を捉える最適なアーキテクチャを発見し、教師あり設定での既存のGNASベースラインを大幅に上回りました。これは、非監督設定でのグラフニューラルアーキテクチャサーチの優れた性能を示しています。
Stats
37th Conference on Neural Information Processing Systems (NeurIPS 2023)
arXiv:2403.05064v1 [cs.LG] 8 Mar 2024
Quotes
"The existing graph neural architecture search (GNAS) methods heavily rely on supervised labels during the search process, failing to handle ubiquitous scenarios where supervisions are not available."
"In this paper, we study unsupervised graph neural architecture search, i.e., discovering optimal GNN architectures without labels for graph-structured data, which remains unexplored in the literature."
"Extensive experiments on 11 real-world datasets demonstrate that the proposed DSGAS model is able to achieve state-of-the-art performance against several baseline methods in an unsupervised manner."