图自动机器学习：一项综合调查

"这篇综述文章探讨了图自动机器学习（AutoML for Graphs），重点关注图机器学习的超参数优化（HPO）和神经结构搜索（NAS），并介绍了专门用于图形的AutoML开源库AutoGL。" 在当前的机器学习领域，图神经网络（GNNs）和图机器学习已经成为处理复杂关系数据的关键技术，广泛应用于多个领域，如推荐系统、欺诈检测、生物信息学等。然而，随着越来越多的新兴方法涌现，手动设计最优的图学习算法变得极具挑战性。为解决这一问题，图上的自动机器学习（AutoML）应运而生，它结合了图机器学习和AutoML的优势，旨在自动化模型选择和优化过程。 本文重点讨论了两个主要方面：超参数优化（HPO）和神经结构搜索（NAS）。HPO是寻找模型最佳参数的过程，对于提高模型的性能至关重要。在图学习场景中，这包括调整GNN的层数、学习率、节点特征的权重等。NAS则关注于自动设计和优化神经网络结构，以适应特定的图数据和任务。这些方法能够显著减少人工干预的需求，提高效率，并可能发现更优的模型结构。 此外，文章还提到了AutoGL，这是第一个专为图形设计的AutoML库。AutoGL提供了完整的自动化工具链，支持图形数据的预处理、模型选择、训练和评估，极大地简化了研究人员和开发者的任务，促进了图机器学习的广泛应用。 展望未来，作者分享了他们对自动化图机器学习研究方向的看法。随着图形数据的复杂性和规模持续增长，如何高效地处理大规模图形数据、设计适用于不同领域的图学习算法以及开发更具适应性的自动化工具将成为关键的研究方向。同时，探索更强大的模型泛化能力、提高自动化过程的解释性和可解释性，以及降低计算资源的需求，也将是该领域的重要课题。 这篇综述文章作为首篇系统性地研究图自动机器学习的文章，不仅总结了当前的进展，也为未来的研究提供了指导，对于理解并推动图学习的自动化进程具有重要意义。