Nov, 2020

具有最佳速度 / 准确性权衡的自主图挖掘算法搜索

PDF
TL;DRAUTOGM 是一种用于图挖掘算法开发的自动化系统，使用基于消息传递的各种图算法的统一框架 UNIFIEDGM 定义搜索空间，并使用 Bayesian 优化显式优化 UNIFIEDGM 的最佳参数集。解决了实践中存在的速度和准确度权衡问题，这为从实际数据中提取知识提供了一种新的方法。
graph mining algorithmautomated systemunifiedgmbayesian optimizationbudget-aware objective function
发现论文，激发创造
  • 图中的自动化机器学习综述

    本文首次系统地综述了自动机器学习在图形上的应用，主要关注图形机器学习上的超参数优化（HPO）和神经结构搜索（NAS），以及涉及自动图形机器学习的图书馆和 AutoGL 等工具。

    Mar, 2021

  • 自动图机器学习：方法、库和方向

    本文全面介绍了自动图机器学习的方法与技术，包括超参数优化和神经架构搜索等领域。同时，我们介绍了 AutoGL 库作为全球首个面对自动图机器学习的开源库，并探讨了自动图机器学习未来的研究方向。

    Jan, 2022

  • AutoGL：自动化图学习库

    AutoGL 是首个自动机器学习图形的库，我们提出了包含四个模块的自动机器学习流程：自动特征工程、模型训练、超参数优化和自动集成，其中每个模块都提供了多种最先进的方法和灵活的基类和 API。

    Apr, 2021

  • 自动图神经网络的组合优化

    近年来，图神经网络（GNNs）在解决 NP-hard 组合优化问题方面变得越来越流行。本文提出了一种名为 AutoGNP 的新型自动化 GNNs 类别，用于解决 NP-hard 问题，并通过图神经网络搜索算法自动查找给定 NP-hard 组合优化问题的最佳 GNNs，通过实验证明了我们提出模型的优越性。

    Jun, 2024

  • 基于 LLM 的自主代理通过图学习释放力量

    使用大型语言模型（LLMs）作为自主代理，简化多样真实世界图的学习过程，响应用户请求并生成数据自动解决方案，涉及图数据处理、自动机器学习配置、搜索架构和超参数微调。提出的 Auto$^2$Graph 方法在不同数据集和学习任务上展现可比较的性能，代理产生类似人类决策。

    Sep, 2023

  • 基于超参数优化的邻居图相似性搜索与自动帕累托最优性能和最小期望质量设置

    本文介绍一种使用邻居图和优化元启发式算法进行最近邻搜索的自动调谐算法，以自动产生品质和搜索速度的帕累托最优搜索；同时，也使用相同策略产生实现最小品质的索引。我们的方法被描述并与其他最先进的相似度搜索方法进行了基准测试，展示了便利性和竞争力。

    Jan, 2022

  • 将超参数搜索集成到 GramML 中

    提出了 GramML 的扩展方法，支持更大的搜索空间，包括超参数搜索，通过 OpenML 基准测试发现与其他最新技术相比有显著的改进。

    Apr, 2024

  • UGMAE: 图卷积自编码器的统一框架

    通过采用 UGMAE 方法，在自学习图上进行图遮挡自编码器的统一框架，解决了现有方法中节点重要性不均匀、整体图信息利用不足、表示空间中的语义知识忽视以及遮挡内容过大导致的不稳定问题，实验证明 UGMAE 在多个数据集上的多项任务上优于对比和生成最先进基准模型。

    Feb, 2024

  • 自动图表示在学术界和工业界之间的桥梁：分析 KDD Cup 2020 上的 AutoGraph 挑战

    本文介绍了自动化机器学习在图神经网络中的应用，比较了学术界和工业界的解决方案，在自动寻找模型结构、模型准确性、模型效率等方面存在巨大差距，并通过 AutoGraph Challenge 的实验数据进行了支持。

    Apr, 2022

  • 使用超图世界模型中的最大似然路径进行目标无关规划

    本研究提出了一种基于超图的机器学习算法，一种数据结构驱动的维护方法，以及一种基于概率应用 Dijkstra 算法的规划算法，从而形成了一个目标不可知的自动化学习代理计划引擎，该引擎结合了经典机器学习和传统人工智能的有益特性。我们证明了该算法能够在问题空间内确定最优解，在数学上限制了学习性能，并提供了一种数学模型，分析了系统状态在时间上的进展，从而得出了学习曲线、目标实现率和抽象和不确定性响应的明确预测。为了验证性能，我们展示了将代理应用于三个典型的计划问题的结果，并突出了阐明的特性的实证结论。

    Oct, 2021