Метод автоматического выбора архитектуры графовой нейронной сети на основе цикла проверки гипотез с использованием больших языковых моделей

Постановка проблемы. Графовые нейронные сети – один из основных инструментов для решения задач машинного обучения на графовых структурах. При этом качество решения существенно зависит от выбора архитектуры, а структурные свойства графа во многом определяют, какие семейства моделей перспективны для конкретной задачи. Используемые на практике методы подбора архитектур и настройки гиперпаметров, как правило, являются ресурсоемкими и непрозрачными с точки зрения принимаемых решений. В настоящее время появляются подходы на основе больших языковых моделей, которые в перспективе могут решить эту проблему.

Цель. Разработать и экспериментально оценить алгоритм автоматического выбора архитектуры графовой нейронной сети, основанный на цикле рассуждения «гипотеза–измерение–решение–рефлексия», в котором источником гипотез выступает большая языковая модель, а их проверка ведется в контролируемой среде на Python без ограничений на набор анализируемых характеристик графа.

Результаты. Предложен авторский алгоритм HypoGNN, формализующий поиск архитектуры графовой нейронной сети как итеративный процесс принятия решений. Отмечено, что каждая итерация поиска состоит из четырех шагов с принудительной фиксацией формулируемой гипотезы, измерением свойств графа, обучением архитектуры и рефлексией по итогам шага. Проведено систематическое сравнение HypoGNN с шестью базовыми методами при сопоставимом вычислительном бюджете. Показано, что предложенный метод обеспечивает наилучшую среднюю точность на пяти из шести датасетов и демонстрирует наиболее стабильное качество среди всех рассмотренных подходов. Дополнительно отмечено, что формальная структура цикла позволяет проводить количественный анализ траектории поиска.

Практическая значимость. Полученные результаты можно использовать при разработке прикладных моделей на графовых данных. Предложенный алгоритм может быть интегрирован в существующие конвейеры обучения графовых нейронных сетей.