动态图神经网络综合调查：模型、框架、基准、实验与挑战
机器学习
2024-05-02 v1
摘要
动态图神经网络（Dynamic Graph Neural Networks, DGNNs）将时序信息与图神经网络结合起来，同时捕捉动态图中的结构、时序和上下文关系，从而在 various applications 中实现提升性能。随着对动态图神经网络需求的增长，诸多模型和框架涌现以满足不同的应用需求。这是一个需要综合评估各种方法在该领域性能、优势和局限性的综合调查。本文旨在填补这一空白，通过提供对动态图神经网络的全面比较分析和实验评估来实现这一目标。本文覆盖 81 个动态图神经网络模型，提出新颖的分类体系；12 个动态图神经网络训练框架；以及常用的数据集。我们还在六个标准图数据集上，对代表性的九个动态图神经网络模型和三个框架进行了实验结果测试。评估指标侧重于收敛精度、训练效率和 GPU 内存使用，从而全面比较各种模型和框架在不同情况下的性能。通过分析和评估结果，我们识别出该领域的关键挑战，并为未来研究提出原则，以增强该领域模型和框架的设计。
引用
@article{arxiv.2405.00476,
title = {A Comprehensive Survey of Dynamic Graph Neural Networks: Models, Frameworks, Benchmarks, Experiments and Challenges},
author = {ZhengZhao Feng and Rui Wang and TianXing Wang and Mingli Song and Sai Wu and Shuibing He},
journal= {arXiv preprint arXiv:2405.00476},
year = {2024}
}
备注
Under review of PVLDB2025