AutoGL: A Library for Automated Graph Learning

要約

近年、研究への関心とグラフ上の機械学習の応用が急増しています。
ただし、さまざまなグラフ データセットやタスクに最適な機械学習アルゴリズムを手動で設計することは、柔軟性に欠け、労働集約的であり、専門知識が必要なため、その適応性と適用性が制限されます。
グラフ上の自動機械学習 (AutoML) は、特定のグラフ データセットとタスクに最適な機械学習アルゴリズムを自動的に設計することを目的としており、大きな注目を集めています。
ただし、既存のライブラリはどれもグラフ上の AutoML を完全にサポートできません。
このギャップを埋めるために、グラフ上の自動機械学習のための初の専用ライブラリである Automated Graph Learning (AutoGL) を紹介します。
AutoGL はオープンソースであり、使いやすく、柔軟に拡張できます。
具体的には、デバイスとインターフェイスするバックエンド、完全に自動化されたグラフ学習パイプライン、サポートされるグラフ アプリケーションで構成される 3 層アーキテクチャを提案します。
自動機械学習パイプラインにはさらに、自動特徴エンジニアリング、ニューラル アーキテクチャ検索、ハイパーパラメータ最適化、モデル トレーニング、自動アンサンブルという 5 つの機能モジュールが含まれており、グラフ上の既存の AutoML メソッドの大部分をカバーします。
各モジュールには、簡単な使用とカスタマイズを可能にする多数の最先端のメソッドと柔軟な基本クラスと API が提供されています。
さらに、AutoGL ライブラリの使用法を紹介する実験結果も提供します。
また、パイプラインのカスタマイズとアプリケーションの強化を容易にする AutoGL の軽量バージョンである AutoGL-light と、グラフ ニューラル アーキテクチャ検索のベンチマークも紹介します。
AutoGL のコードは https://github.com/THUMNLab/AutoGL で公開されています。

要約(オリジナル)

Recent years have witnessed an upsurge in research interests and applications of machine learning on graphs. However, manually designing the optimal machine learning algorithms for different graph datasets and tasks is inflexible, labor-intensive, and requires expert knowledge, limiting its adaptivity and applicability. Automated machine learning (AutoML) on graphs, aiming to automatically design the optimal machine learning algorithm for a given graph dataset and task, has received considerable attention. However, none of the existing libraries can fully support AutoML on graphs. To fill this gap, we present Automated Graph Learning (AutoGL), the first dedicated library for automated machine learning on graphs. AutoGL is open-source, easy to use, and flexible to be extended. Specifically, we propose a three-layer architecture, consisting of backends to interface with devices, a complete automated graph learning pipeline, and supported graph applications. The automated machine learning pipeline further contains five functional modules: auto feature engineering, neural architecture search, hyper-parameter optimization, model training, and auto ensemble, covering the majority of existing AutoML methods on graphs. For each module, we provide numerous state-of-the-art methods and flexible base classes and APIs, which allow easy usage and customization. We further provide experimental results to showcase the usage of our AutoGL library. We also present AutoGL-light, a lightweight version of AutoGL to facilitate customizing pipelines and enriching applications, as well as benchmarks for graph neural architecture search. The codes of AutoGL are publicly available at https://github.com/THUMNLab/AutoGL.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google