一个具有同构与多关系变体的图回归基准数据集
机器学习
2026-05-04 v1 人工智能
摘要
图级回归支撑着许多现实世界的应用，然而公共基准测试仍然严重偏向于分子图和引文网络。这种有限的多样性阻碍了那些必须能够在同构图和异构图结构上泛化的模型的发展。我们引入了 RelSC，这是一个由程序图构建的新图回归数据集，这些程序图结合了从源代码中提取的语法和语义信息。每个图以其对应程序的执行时间成本作为标签，提供了一个与现有基准中目标变量截然不同的连续目标变量。RelSC 以两种互补的变体发布。RelSC-H 在单一（同构）边类型下提供丰富的节点特征，而 RelSC-M 保留了原始的多关系结构，通过编码不同语义关系的多种边类型连接节点。这些变体共同让研究人员能够探究表示选择如何影响模型行为。我们在 RelSC 的两种变体上评估了多种图神经网络架构。结果揭示了同构和多关系设置之间一致的性能差异，强调了结构表示的重要性。这些发现证明了 RelSC 作为一个具有挑战性且通用的基准的价值，可推动图回归方法的发展。
引用
@article{arxiv.2505.23875,
title = {A Benchmark Dataset for Graph Regression with Homogeneous and Multi-Relational Variants},
author = {Peter Samoaa and Marcus Vukojevic and Morteza Haghir Chehreghani and Antonio Longa},
journal= {arXiv preprint arXiv:2505.23875},
year = {2026}
}