2跳邻居类别相似度（2NCS）：一种指示图神经网络性能的结构度量
机器学习
2022-12-27 v1
摘要
图神经网络（GNNs）在多个领域的图结构数据上取得了最先进的性能。其将节点表示为其邻域摘要的底层能力，尤其对同配图（同类节点倾向于相连）被证明是有效的。在异配图（不同类节点可能相连）上，GNNs 的表现较不稳定，因为邻域信息可能代表性较弱甚至具有误导性。另一方面，GNNs 并非在所有异配图上表现不佳，且目前缺乏对其他影响 GNN 性能的图性质的理解。本工作中，我们指出了广泛使用的同配比以及近期的跨类邻域相似度（CCNS）度量在估计 GNN 性能方面的局限性。为克服这些局限，我们引入 2 跳邻居类别相似度（2NCS），这是一种新的定量图结构性质，与 GNN 性能的相关性比现有度量更强且更一致。2NCS 将二跳邻域视为支配 GCN 训练—推理过程的两步标签传播过程的理论推导结果。在一个合成和八个真实图数据集上的实验证实，在估计基于 GCN 和 GAT 的架构在节点分类任务上的准确率方面，相较现有度量有一致的改进。
引用
@article{arxiv.2212.13202,
title = {2-hop Neighbor Class Similarity (2NCS): A graph structural metric indicative of graph neural network performance},
author = {Andrea Cavallo and Claas Grohnfeldt and Michele Russo and Giulio Lovisotto and Luca Vassio},
journal= {arXiv preprint arXiv:2212.13202},
year = {2022}
}
备注
Accepted at the 3rd Workshop on Graphs and more Complex structures for Learning and Reasoning (GCLR) at AAAI 2023