Graph Neural Networks with Node-wise Architecture
最近,用于GNN的神经架构搜索(NAS)越来越受欢迎,因为它可以为给定的新图寻找最佳架构。然而,最优架构是平等地应用于图的所有实例(即上下文中的节点),这可能不足以处理图中根深蒂固的不同局部模式,如本文和一些最近的研究所示。本文论证了GNN节点架构搜索的必要性。然而,由于可扩展性问题和需要确定测试节点的体系结构,不能简单地应用NAS方法逐个节点地实现节点级体系结构。为应对这些挑战,本文提出了一个框架,其中参数控制器根据每个节点的局部模式决定其GNN架构。用深度、聚合器和分辨率控制器实例化该框架,然后详细学习骨干GNN模型和控制器,以鼓励它们的合作。根据经验,我们分别通过三个控制器引入的性能改进来证明节点架构的效果。所提出的框架在10个真实世界数据集中的5个上的表现明显优于最先进的方法,这些数据集的多样性阻碍了任何基于图卷积的方法同时领导它们。这一结果进一步证实,节点架构可以帮助gnn成为通用模型。