编辑推荐：
本研究提出了一种名为MOEAHIN的多目标协同进化算法，旨在自动化地搜索异构信息网络（HINs）中的元多重图和神经网络架构，以权衡模型性能与图稀疏性，为解决自动深度表征学习中的手动设计和参数调优难题提供了有效方案。
高光亮点
- •
本研究首次在异构信息网络（HINs）的自动深度表征学习中，将元多重图（Meta-multigraph）和神经网络架构这两个核心问题纳入考量，并明确地将该问题建模为一个多目标优化问题（MOP）。这使得我们能够在模型性能与图结构稀疏性之间寻求最佳平衡，从而为用户提供具备不同特性的可选方案。
- •
我们提出了一种多目标协同进化算法（命名为MOEAHIN），用于在定义的两个目标上同步优化元多重图和神经网络架构。该算法允许两者在各自的子种群中独立进化，并在优化过程中协同演化，以应对两者在搜索空间中规模不平衡的挑战。
- •
我们在MOEAHIN中设计了一个针对元多重图拓扑结构的单点最近邻变异算子，该算子有助于算法的收敛。
提出的算法
在本节中，我们首先阐述所提出的多目标协同协同进化算法，接着介绍所设计的单点最近邻变异算子，最后给出算法的整体概览。
实验
在本节中，首先给出实验设置。接着，我们在六个数据集上针对节点分类和推荐任务的性能进行了比较，以展示MOEAHIN的优越性。最后，对搜索得到的帕累托前沿进行了分析，并完成了消融实验。
结论
在这项工作中，我们为异构信息网络（HINs）的自动深度表征学习提出了一种多目标协同协同进化搜索方法。首先，我们将HINs上的自动深度表征学习问题明确建模为一个多目标优化问题。其次，为了应对元多重图和神经网络架构在搜索空间中的不平衡性，我们提出了一个在两目标上进行优化的多目标协同进化算法，它们分别在子种群中独立进化并在优化过程中协同演化。
