【KDD2024】面向课程图稀疏化的轻量级图神经网络搜索

图神经网络架构搜索（Graph Neural Architecture Search, GNAS）在各种图结构任务中取得了优异的性能。然而，现有的GNAS研究忽略了GNAS在资源受限场景中的应用。本文提出设计一种联合图数据和架构机制，通过有价值的图数据识别重要的子架构。为了搜索最优的轻量级图神经网络（Graph Neural Networks, GNNs），我们提出了一种结合课程图稀疏化和网络剪枝的轻量级图神经网络架构搜索（GASSIP）方法。具体来说，GASSIP包括一个操作剪枝的架构搜索模块，以实现高效的轻量级GNN搜索。同时，我们设计了一个新颖的课程图数据稀疏化模块，并结合架构感知的边删除难度测量来帮助选择最优的子架构。在两个可微掩码的帮助下，我们迭代优化这两个模块，以高效地搜索最优的轻量级架构。在五个基准上的广泛实验表明，GASSIP的有效性。特别是，我们的方法在节点分类性能方面达到相当甚至更高的水平，同时所搜索的GNN模型参数减半或更少，且图更加稀疏。