图神经网络基准测试

在过去几年中，图神经网络（GNNs）已成为分析和学习图数据的标准工具包。这一新兴领域见证了有前景技术的广泛增长，这些技术已成功应用于计算机科学、数学、生物学、物理学和化学。但任何一个成功的领域要成为主流且可靠，都必须开发基准以量化进展。这促使我们在 2020 年 3 月发布了一个基准框架，其 i) 包含多样化的数学和真实世界图集合，ii) 在相同的参数预算下实现公平的模型比较以识别关键架构，iii) 具有开源、易用且可复现的代码基础设施，iv) 对研究人员试验新理论思想具有灵活性。截至 2022 年 12 月，该 GitHub 仓库已获得 2000 个 star 和 380 个 fork，这通过 GNN 社区的广泛使用证明了所提开源框架的实用性。在本文中，我们展示了该基准的更新版本，简明呈现上述框架特征，一个额外的中等规模分子数据集 AQSOL（类似于流行的 ZINC，但具有真实世界测量的化学靶标），并讨论如何利用该框架探索新的 GNN 设计和见解。作为我们基准价值的一个证明，我们研究了 GNN 中图位置编码（PE）的案例，该编码随此基准引入，并自此激发了在鲁棒实验设置中探索更强大 PE 用于 Transformers 和 GNNs 的兴趣。