经典GNN是强基线：重新评估用于节点分类的GNN
机器学习
2024-10-29 v2
摘要
图变换器（GT）最近已成为传统消息传递图神经网络（GNN）的流行替代方案，原因在于其理论上更强的表达能力以及在标准节点分类基准上报告的令人印象深刻的性能，通常显著优于GNN。在本文中，我们进行了彻底的实证分析，以重新评估三种经典GNN模型（GCN、GAT和GraphSAGE）与GT的性能。我们的研究结果表明，先前报告的GT优越性可能因GNN中超参数配置欠佳而被夸大。值得注意的是，通过轻微的超参数调整，这些经典GNN模型在检查的18个不同数据集中的17个上达到了最先进的性能，匹配甚至超过了最近的GT。此外，我们进行了详细的消融研究，以探究各种GNN配置（如归一化、丢弃、残差连接和网络深度）对节点分类性能的影响。我们的研究旨在促进图机器学习领域更高的实证严谨性标准，鼓励对模型能力进行更准确的比较和评估。
引用
@article{arxiv.2406.08993,
title = {Classic GNNs are Strong Baselines: Reassessing GNNs for Node Classification},
author = {Yuankai Luo and Lei Shi and Xiao-Ming Wu},
journal= {arXiv preprint arXiv:2406.08993},
year = {2024}
}
备注
NeurIPS 2024