GCN

我們是同時將SGAS用到GCN的網(wǎng)絡(luò)結(jié)構(gòu)搜索中的。GCN網(wǎng)絡(luò)結(jié)構(gòu)由普通單元（normal cell） 組成。其搜索空間由10個運算組成：conv－1×1， MRConv， EdgeConv， GAT， SemiGCN， GIN， SAGE， RelSAGE，skip－connect， and zero operation。

SGAS在ModelNet10的訓(xùn)練集與測試集搜索結(jié)構(gòu)，并在ModelNet40訓(xùn)練集和測試集上進(jìn)行訓(xùn)練與測試，結(jié)果如表3所示：

我們也將SGAS應(yīng)用到生物信息圖的結(jié)點預(yù)測上。我們在PPI （protein protein intersection） 數(shù)據(jù)集的訓(xùn)練集與驗證集搜索結(jié)構(gòu)，并在PPI的訓(xùn)練集和測試集上進(jìn)行訓(xùn)練與測試，結(jié)果如表4所示：

我們SGAS在GCN上的實驗，超越了之前最好的模型。我們在ModelNet40以及PPI數(shù)據(jù)集上成為了新的state－of－the－art．

參考資料［1］ Barret Zoph and Quoc V Le． Neuralarchitecture search with reinforcement learning． arXiv preprintarXiv：1611．01578， 2016．［2］ Esteban Real， Alok Aggarwal， YanpingHuang， and Quoc V Le． Regularized evolution for image classifier architecturesearch． In Proceedings of the AAAI Conference on Artificial Intelligence，volume 33， pages 4780–4789， 2019．［3］ Hanxiao Liu， Karen Simonyan， and YimingYang． Darts： Differentiable architecture search． arXiv preprintarXiv：1806．09055， 2018．［4］ Maurice G Kendall． A new measure of rank correlation． Biometrika，30（1／2）：81–93， 1938．