The primary objective of our research is to enhance the efficiency and effectiveness of Neural Architecture Search (NAS) with regard to Graph Neural Networks (GNNs). GNNs have emerged as powerful tools for learning from unstructured network data, compensating for several known limitations of Convolutional Neural Networks (CNNs). However, the automatic search for optimal GNN architectures has seen little progressive advancement so far. To address this gap, we introduce the Efficient Graph Neural Architecture Search (EGNAS), a method that leverages the advantages of evolutionary search strategies. EGNAS incorporates inherited parameter sharing, allowing offspring to inherit parameters from their parents, and utilizes half epochs to improve optimization stability. In addition, EGNAS employs a combined evolutionary search, which explores both the model structure and the hyperparameters within a large search space, resulting in improved performance. Our experimental results demonstrate that EGNAS outperforms state-of-the-art methods in node classification tasks on the Cora, Citeseer, and PubMed datasets while maintaining a high degree of computational efficiency. In particular, EGNAS is the fastest GNN architecture search method in terms of search time, particularly when compared to precedently suggested evolutionary search strategies, delivering performance up to 40 times faster.

The rapid expansion of unmanned retail stores has raised critical security concerns, thereby necessitating the development and implementation of robust protective measures. The absence of real-time monitoring systems in these environments has heightened the vulnerability to risks such as theft and property damage. Although closed-circuit television (CCTV) systems have been deployed to retrospectively investigate criminal activities, these systems are often insufficient in preventing incidents. This study introduces a Transformer-based intelligent CCTV system designed for the real-time detection of anomalous behaviors within unmanned retail environments. Unlike conventional systems that rely on basic machine learning models, our proposed system leverages human joint position data extracted from CCTV footage to classify a range of anomalous behaviors, including theft, falls, and property damage. Additionally, extensive hyperparameter optimization was performed to maximize the model's effectiveness in these specific environments. Our System enhances the system's usability by enabling real-time identification of anomalous behavior, complete with location data, timestamps, and corresponding video frame sequences.

Image classification in data-limited environments presents a significant challenge, as collecting and labeling large image datasets in real-world applications is often costly and time-consuming. This has led to increasing interest in developing models under data-constrained conditions. This paper introduces the Feature Optimization and Dropout in Genetic Programming (FOD-GP) framework, which addresses this issue by leveraging Genetic Programming (GP) to evolve models automatically. FOD-GP incorporates feature optimization and adaptive dropout techniques to improve overall performance. Experimental evaluations on benchmark datasets, including CIFAR10, FMNIST, and SVHN, demonstrate that FOD-GP improves training efficiency. In particular, FOD-GP achieves up to a 12% increase in classification accuracy over traditional methods. The effectiveness of the proposed framework is validated through statistical analysis, confirming its practicality for image classification. These findings establish a foundation for future advancements in data-limited and interpretable machine learning, offering a scalable solution for complex classification tasks.