返回 AI 工具目录
AutoGL
开发框架人工精选最近核验 2026年7月23日
AutoGL(Auto Graph Learning)是清华大学 THUMNLab 团队开源的图机器学习自动化框架,面向图神经网络任务自动完成建模与调优。它包含自动特征工程、神经架构搜索、自动模型、超参数优化与自动集成五个模块,覆盖节点分类、链接预测与图分类等任务,兼容 PyTorch Geometric 与 Deep Graph Library 两种后端,支持异构图与自监督学习,内置 AutoAttend、GASSO 等架构搜索算法。项目以 Python 实现,采用 Apache-2.0 许可。它面向希望降低图神经网络建模门槛、自动比较架构与超参的研究与数据团队。
定价开源部署本地运行国内可达国内可达
解决什么问题
- 自动完成图神经网络的建模与调优
- 覆盖节点分类、链接预测与图分类任务
- 用神经架构搜索自动寻找网络结构
- 自动特征工程与超参数优化减少手工试错
- 通过自动集成组合多个模型
适合
- 需要在图数据上快速试验多种模型的团队
- 已用 PyTorch Geometric 或 DGL 的研发环境
- 希望自动搜索架构与超参的图学习研究
- 处理异构图或自监督图任务的场景
不适合
- 非图结构数据不适用
- 自动搜索计算开销大,需相应算力
- 面向研究与建模,非开箱即用的业务系统
- 生产落地仍需自行封装服务与运维
如何接入
- 通过 pip 安装并选择 PyG 或 DGL 后端
- 以数据集与任务类型配置自动流水线
- 运行架构搜索与超参优化得到模型
- 导出模型接入自有训练或推理流程
已知限制
- 架构搜索与超参优化消耗较多算力与时间
- 依赖 PyG/DGL,安装建议配置国内镜像
- 版本与后端兼容性需对照官方说明
- 侧重研究场景,工程化需自行补齐
接入与使用事实
- 部署方式
- 本地运行
- 实现语言
- Python
- 中文界面
- 待确认
- 中文文档
- 待确认
- 定价方式
- 开源
- 许可证
- 待确认
- 国内可达性
- 国内可达
- 可达性观察
- 待补充
权限、依赖与维护信号
这些字段记录公开可见信号，不等同于安全审计结论。
权限信号
暂无公开信号。
依赖信号
暂无公开信号。
维护信号
暂无公开信号。
公开来源与证据
暂无可公开的来源链接。