GNNavigator: 基于自动指南探索的图神经网络自适应训练
内容提要
本文介绍了多种图神经网络（GNN）架构搜索和优化方法，包括GNNAdvisor、AGNN和ExGNAS。这些方法利用强化学习和自监督学习提升了GNN的设计效率和模型泛化能力，实验结果显示其在准确性和运行时间上优于现有方法。此外，研究探讨了GNN与硬件的交互，并提出了专用加速器以提升计算性能。
延伸解读
GNN自动化设计的两条技术路线
文章汇总的多个框架显示，GNN自动化设计主要沿两条路线展开：一是以AGNN、GraphNAS、SNAG为代表的强化学习架构搜索，通过控制器在预定义空间内寻找最优结构；二是以ExGNAS为代表的可解释搜索方法，强调搜索空间简洁与决策过程透明。两者都旨在降低人工设计成本，但强化学习路线更依赖搜索效率优化，可解释路线则更关注结果的可信度与同质/异质图差异分析。
硬件协同优化成为独立方向
除算法搜索外，文章专门提及GNNAdvisor、GNNBuilder及专用加速器研究，表明GNN性能提升已不限于模型结构。GNNAdvisor面向GPU运行时优化，GNNBuilder则自动生成加速器，实验显示其生成的加速器比CPU快6.33倍、比GPU快6.87倍。这些工作共同指向一个趋势：GNN的高效计算需要算法与底层硬件协同设计，而非单纯依赖模型改进。
搜索方法的实际收益存在边界
文章在介绍多种搜索方法的同时，也记录了一项对比研究：基于强化学习和进化算法的神经架构搜索，在7个数据集和两个搜索空间内，准确性与随机搜索相似。这提示读者，GNN架构搜索并非总能带来显著提升，搜索空间维度与问题实际相关性可能有限。因此，评估此类方法时，应关注其相对随机搜索的增益，而非仅看绝对精度。
泛化与安全是落地的重要补充
文章还涵盖GT3和GNNGuard，分别针对测试时分布偏移和训练时攻击。GT3通过测试时间训练与自监督学习提升泛化能力，GNNGuard则利用图结构与节点特征关系防御攻击，在多种条件下表现出15.3%的优越性。这两项工作说明，GNN在实际部署中不仅需要追求精度和速度，还需考虑分布变化与对抗安全等鲁棒性问题。
Q&A
GNNAdvisor 的主要功能是什么？
GNNAdvisor 是一种自适应、高效的运行时系统，旨在加速 GPU 平台上的 GNN 工作负载，采用新的驱动力和 GPU 内存层次优化技术。
AGNN 框架如何提升图神经网络的设计效率？
AGNN 框架使用强化学习控制器自动化图神经网络结构设计，显著提升了搜索效率，并在真实数据集上验证了其有效性。
ExGNAS 方法的优势是什么？
ExGNAS 提供了一种高效且可解释的图神经架构搜索方法，实验结果显示其在准确性和运行时间上优于现有方法。
GT3 框架如何提高模型的泛化能力？
GT3 框架通过新颖的测试时间训练策略和自监督学习方法提高模型的泛化能力，特别是在训练集与测试集存在分布偏移时。
GNNBuilder 的性能如何？
GNNBuilder 生成的加速器性能优于 CPU 和 GPU，实验显示其速度比 CPU 快 6.33 倍，比 GPU 快 6.87 倍。
GraphNAS 是如何优化图神经网络架构的？
GraphNAS 通过强化学习实现自动搜索最佳 GNN 架构，实验结果表明其在节点分类任务中表现优异。
