对异配性下GNN评估的批判性审视：我们真的在取得进展吗？
机器学习
2024-03-05 v2
摘要
节点分类是一项经典的图机器学习任务，图神经网络（GNNs）近年来在该任务上取得了强劲的结果。然而，人们通常认为标准GNN仅对同配图（即边倾向于连接同类别节点的图）表现良好。不具备此性质的图被称为异配图，通常假定需要专门的方法才能在此类图上取得强劲性能。在这项工作中，我们挑战这一假设。首先，我们表明用于评估异配性专用模型的标准数据集存在严重缺陷，使得利用它们获得的结果不可靠。这些缺陷中最显著的是Squirrel和Chameleon数据集中存在大量重复节点，导致训练-测试数据泄漏。我们表明移除重复节点会强烈影响GNN在这些数据集上的性能。然后，我们提出一组具有不同性质的异配图，相信它们可以作为在异配性下评估GNN性能的更好基准。我们表明标准GNN在这些异配图上取得了强劲结果，几乎总是优于专用模型。我们的数据集和用于复现实验的代码可在 https://github.com/yandex-research/heterophilous-graphs 获取。
引用
@article{arxiv.2302.11640,
title = {A critical look at the evaluation of GNNs under heterophily: Are we really making progress?},
author = {Oleg Platonov and Denis Kuznedelev and Michael Diskin and Artem Babenko and Liudmila Prokhorenkova},
journal= {arXiv preprint arXiv:2302.11640},
year = {2024}
}