GCN
我们是同时将SGAS用到GCN的网络结构搜索中的。GCN网络结构由普通单元（normal cell） 组成。其搜索空间由10个运算组成：conv－1×1， MRConv， EdgeConv， GAT， SemiGCN， GIN， SAGE， RelSAGE，skip－connect， and zero operation。
SGAS在ModelNet10的训练集与测试集搜索结构，并在ModelNet40训练集和测试集上进行训练与测试，结果如表3所示：
我们也将SGAS应用到生物信息图的结点预测上。我们在PPI （protein protein intersection） 数据集的训练集与验证集搜索结构，并在PPI的训练集和测试集上进行训练与测试，结果如表4所示：
我们SGAS在GCN上的实验，超越了之前最好的模型。我们在ModelNet40以及PPI数据集上成为了新的state－of－the－art．
参考资料［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．
<上一页 3 4 5
