Перспективы использования графовых нейронных сетей (GNN) в задаче автоматического машинного обучения (AutoML) связаны с возможностью автоматического поиска оптимальных решений для приложений машинного обучения. 1 Это освобождает от ручного процесса настройки и позволяет получать оптимальное решение без обширного опыта эксперта. 1

Для решения задач поиска нейронной архитектуры GNN и настройки гиперпараметров обучения разработаны автоматизированные рамки AutoGNN. 1 Они позволяют решать проблемы поиска архитектуры GNN (GNN-NAS) и настройки гиперпараметров обучения. 1

Кроме того, GNN могут расширить возможности машинного обучения, позволяя анализировать более разнообразные типы данных, таких как социальные сети и биологические молекулы. 2 Это может привести к новым прорывам в таких областях, как открытие лекарств и анализ социальных сетей. 2