Transformateur automatique conscient de la topologie des graphes

Les efforts existants sont consacrés à la conception de nombreuses topologies et stratégies conscientes des graphes pour le transformateur de graphes, ce qui améliore grandement les capacités de représentation du modèle. Cependant, déterminer manuellement l'architecture de transformateur appropriée pour un ensemble de données de graphes ou une tâche spécifique nécessite des connaissances expertes approfondies et des essais laborieux. Cet article propose un cadre de recherche évolutive d'architecture de transformateur de graphes (EGTAS) pour automatiser la construction de transformateurs de graphes performants. Nous construisons un espace de recherche complet pour les transformateurs de graphes avec des conceptions au niveau micro et macro. EGTAS fait évoluer les topologies de transformateurs de graphes au niveau macro et les stratégies conscientes des graphes au niveau micro. De plus, un modèle substitut basé sur un codage architectural générique est proposé pour prédire directement la performance des transformateurs de graphes, réduisant substantiellement le coût d'évaluation de la recherche évolutive. Nous démontrons l'efficacité d'EGTAS à travers une gamme de tâches au niveau des graphes et des nœuds, englobant des ensembles de données de graphes à petite et grande échelle. Les résultats expérimentaux et les études d'ablation montrent qu'EGTAS peut construire des architectures performantes rivalisant avec les meilleures approches manuelles et automatisées.