谱域图神经网络综合基准测试：效率、内存与有效性的影响

随着图神经网络（GNN）近期发展，谱域 GNN 因其能够在谱域上检索图信号而受到日益关注。这些模型在高效计算和丰富的表达能力方面具有独特性，这源于对图数据的高级管理和深入理解。然而，少数系统性研究对谱域 GNN 进行评估，尤其是在统一且公平的基准测试中评估其效率、内存消耗和有效性。也迫切需要选择适用于学习特定图数据并部署到大规模 Web 图上的谱模型，这目前受限于模型设计和训练设置的差异。本文我们深入对谱域 GNN 进行基准测试，聚焦于谱视角，将其解构为谱图滤波器。我们对 35 个 GNN 及其 27 个相应滤波器进行分析和分类，涵盖多种图数据表述形式和用途。随后，我们在统一的谱导向框架内实现这些滤波器，配备专用的图计算和高效训练方案。特别是，我们的实现使得能够在数百万规模的图上部署谱域 GNN，并适用于各种任务，具有可比的性能和更低的开销。对滤波器进行了全面实验，综合指标覆盖有效性和效率，提供了只有通过我们跨图规模的评估才能获得的新观察和实用指导。与主流认知不同，我们的基准揭示了谱图滤波器在有效性和效率之间的复杂格局，表明通过针对图数据进行定制化的谱操作即可实现理想的性能。