图融合架构进化搜索框架

搜索更快，泛化更强

融合二进制-十进制编码与主动填充策略，能以更低计算成本自动设计高性能图神经网络架构，尤其适用于医学图数据。

Aohan, Mei · Li, Nan · 马连博 · Gao, Kaizhou · 黄敏 · Xue, Bing · Jin, Yaochu

IEEE Transactions on Evolutionary Computation 2025

技术优势

自动设计架构

使用进化算法在扩展搜索空间中同时搜索聚合与融合操作，无需人工设计跳跃连接和特征融合策略，即可获得高性能 GNN 架构。

搜索成本更低

采用紧凑的二进制-十进制编码提升信息密度，减少存储开销并简化预测器训练，从而加速整个搜索过程。

采样更高效

基于核心集选择的主动填充策略利用种群分布来提升采样效率和预测精度，减少不必要的评估次数。

医学数据上验证有效

在八个基准数据集和三个真实医学图数据集上的实验表明，EGFAS-BD 在搜索效率和泛化性能上均优于现有最新 NAS 方法。

应用场景

• 图神经网络自动设计：买家无需人工设计 GNN 架构，直接运行框架即可自动获得高性能模型，降低专家门槛。
• 医学图数据分析：针对医学图数据，该框架能自动搜索适合的 GNN 架构，提升疾病预测等任务的准确性，辅助医疗决策。
• 进化算法优化：买家可获得一种将进化算法与预测器相结合的优化方案，用于解决图架构搜索等复杂优化问题，加速收敛。
• 神经架构搜索：买家无需从零构建 NAS 系统，本框架提供了完整的搜索空间、编码和预测器，可直接应用于自己的数据集。