|
AutoGL 工具包极大地方便了开发人员进行对应的图学习算法设计和调优。用户只需按照 AutoGL 的数据集标准提供目标数据集，AutoGL 就会自动寻找最优的模型和对应的超参数，从而简化图学习算法开发与应用的流程，极大提升图学习相关的科研和应用效率。
此外，AutoGL 工具包还提供了一个供使用者公平地测试与对比算法的平台。AutoGL 在设计时遵循模块化思想，每个模块均可扩展，用户只需实现对应模块类的接口，即可方便地测试自己的算法，为快速获得 baseline 效果、公平对比不同模型性能提供方便。
未来展望
据 AutoGL 研发团队透露，他们将进一步深入研发，以方便其他研究者、业界使用者和初学者快速上手 AutoGL，解决学术界、产业界遇到的图学习相关问题。
AutoGL 网站显示，该工具包将在近期支持以下功能：
神经架构搜索；
大规模图数据集支持；
更多图任务（如链接预测、异构图任务、时空任务）；
Graph Boosting & Bagging；
对更多图模型库提供后端支持（如 DGL）。
AutoGL 研发团队期待得到各类使用反馈，以更好地完善 AutoGL 的各项功能。「我们的最终目的是推动自动图机器学习在学术界与工业界的深层次探索和应用。」AutoGL 研发者谈及之后的计划时表示。
模块 1：特征工程
AutoGL 特征工程模块包含了图机器学习过程中常用的特征工程方法，包括节点 / 边 / 子图特征提取、变换和筛选，如节点度数、节点 ID、特征向量等。这些方法显著丰富了目标图数据上的信息，提高了图学习的效果。同时，用户还可以非常方便地扩展特征工程模块，以实现个性化的需求。
模块 2：图学习模型
AutoGL 目前支持 GCN、GAT、GIN 等常见图学习模型，可以完成包括点分类、图分类在内的多种常见任务，使用方式简单，上手方便。同时，AutoGL 主页还提供了详细的说明文档，支持用户自定义模型，可扩展性良好。
模块 3：超参数优化
AutoGL 目前集成了多种通用超参数优化方法, 如网格搜索、随机搜索、贝叶斯优化、模拟退火、TPE 等算法，同时还包含专门针对图学习优化的自动机器学习算法 AutoNE。该模块省去了图学习中繁杂的手动调参过程，极大地提高了工程效率。同时，该模块易于使用，用户只需给出各个超参数的类型和搜索空间、指定超参数优化方法，即可快速上手运行若干自动图学习模型。
AutoGL 会在给定的资源预算（时间、搜索次数等）内给出最优的超参数组合。该模块同样支持扩展，用户可以自定义新的超参数优化算法。
模块 4：模型自动集成
自动集成模块目前支持两类常用的集成学习方法：voting 和 stacking。该模块通过组合多个基模型得到一个博采众长的集成模型，从而进一步提升图学习的效果。
AutoGL 工具包目前支持多种算法，如下表所示：
（编辑：信阳站长网）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
|
