面向节点分类任务的图神经网络公平比较流水线
机器学习
2020-12-22 v1
摘要
图神经网络（GNNs）已在多个使用图数据的领域中进行了潜在适用性的研究。然而，目前尚无标准的训练设置来确保新方法（包括不同模型架构与数据增强技术）之间的公平比较。我们引入了一个标准、可复现的基准，可对节点分类应用相同的训练设置。针对该基准，我们构建了 9 个数据集，涵盖来自不同领域的小规模与中等规模数据集，以及 7 种不同模型。我们为小数据集设计了 k 折模型评估策略，并为所有数据集制定了一套标准模型训练流程，从而实现了 GNNs 的标准实验流水线，以帮助确保模型架构的公平比较。我们使用 node2vec 与拉普拉斯特征向量进行数据增强，以探究输入特征如何影响模型性能。我们发现拓扑信息对节点分类任务十分重要。除图不连通的 PATTERN 与 CLUSTER 数据集外，增加模型层数并不能提升性能。数据增强极为有用，尤其在基线中使用 node2vec，使基线性能得到显著提升。
引用
@article{arxiv.2012.10619,
title = {A pipeline for fair comparison of graph neural networks in node classification tasks},
author = {Wentao Zhao and Dalin Zhou and Xinguo Qiu and Wei Jiang},
journal= {arXiv preprint arXiv:2012.10619},
year = {2020}
}
备注
18 pages, 10 figures