我们真的取得了很大进展吗？重新审视、基准测试与改进异质图神经网络
机器学习
2022-01-03 v1 社会与信息网络
摘要
异质图神经网络（HGNNs）近年来蓬勃发展，但每项工作所使用独特的数据处理与评估设置阻碍了对它们进展的全面理解。在本文中，我们利用官方代码、数据集、设置和超参数对 12 个近期 HGNN 进行了系统复现，揭示了关于 HGNN 进展的惊人发现。我们发现，简单的同质图 GNN，例如 GCN 和 GAT，由于不当的设置而被严重低估。具有适当输入的 GAT 通常能在各种场景下匹配或超越所有现有 HGNN。为了促进稳健且可复现的 HGNN 研究，我们构建了异质图基准（HGB），包含 11 个具有三项任务的多样化数据集。HGB 标准化了异质图数据划分、特征处理和性能评估的流程。最后，我们引入了一个简单但非常强的基线 Simple-HGN——它在 HGB 上显著优于所有先前模型——以加速未来 HGNN 的发展。
引用
@article{arxiv.2112.14936,
title = {Are we really making much progress? Revisiting, benchmarking, and refining heterogeneous graph neural networks},
author = {Qingsong Lv and Ming Ding and Qiang Liu and Yuxiang Chen and Wenzheng Feng and Siming He and Chang Zhou and Jianguo Jiang and Yuxiao Dong and Jie Tang},
journal= {arXiv preprint arXiv:2112.14936},
year = {2022}
}
备注
KDD 2021 research track