图神经网络在图分类任务上的公平比较
机器学习
2022-02-21 v3 机器学习
摘要
实验的可复现性与可复制性是机器学习中的关键议题。作者们经常对科学出版物中这两方面的缺失表示担忧，以期提升该领域的整体质量。近来，图表示学习领域吸引了广泛的研究群体关注，并由此产生了大量工作。在此背景下，多种图神经网络（Graph Neural Network, GNN）模型被提出以有效解决图分类问题。然而，实验流程往往缺乏严谨性且难以复现。受此驱动，我们概述了在与最先进水平（state of the art）进行公平比较时应避免的若干常见做法。为遏制这一令人担忧的趋势，我们在受控且统一的框架下运行了超过 47000 次实验，在九个常用基准上重新评估了五种流行模型。此外，通过将 GNN 与结构无关基线进行比较，我们提供了令人信服的证据：在某些数据集上，结构信息尚未被充分利用。我们相信，通过为图分类模型的严谨评估提供必要的基准，本工作能够推动图学习领域的发展。
引用
@article{arxiv.1912.09893,
title = {A Fair Comparison of Graph Neural Networks for Graph Classification},
author = {Federico Errica and Marco Podda and Davide Bacciu and Alessio Micheli},
journal= {arXiv preprint arXiv:1912.09893},
year = {2022}
}
备注
Extended version of the paper published at the International Conference on Learning Representations (ICLR), 2020. Additional results are shown in the appendix