考察图学习模型中度分布与同配性的影响
社会与信息网络
2023-07-19 v1 机器学习
摘要
尽管对图神经网络（GNN）开发的兴趣激增，基准数据集的同质性仍然给 GNN 研究带来根本性问题。GraphWorld 是近期的一种解决方案，它使用随机块模型（SBM）生成多样化的合成图群体以对任意 GNN 任务进行基准测试。尽管取得了成功，SBM 对 GraphWorld 可创建的图结构种类施加了根本限制。在这项工作中，我们考察了两种额外的合成图生成器如何改进 GraphWorld 的评估：LFR（图聚类文献中成熟的模型）和 CABAM（近期针对 GNN 基准测试的 Barabasi-Albert 模型变体）。通过集成这些生成器，我们在保留真实世界网络中观察到的关键图属性的同时，显著扩展了 GraphWorld 框架内的图空间覆盖。为证明其有效性，我们生成了 300,000 个图，在节点分类任务上对 11 个 GNN 模型进行基准测试。我们发现 GNN 性能随同配性、度分布和特征信号的变化而差异显著。基于这些发现，我们依据模型在这些属性下对新生成器的敏感性对模型进行分类。此外，我们在 GitHub 仓库发布了针对 GraphWorld 的扩展，以便进一步评估 GNN 在新图上的性能。
引用
@article{arxiv.2307.08881,
title = {Examining the Effects of Degree Distribution and Homophily in Graph Learning Models},
author = {Mustafa Yasir and John Palowitch and Anton Tsitsulin and Long Tran-Thanh and Bryan Perozzi},
journal= {arXiv preprint arXiv:2307.08881},
year = {2023}
}
备注
Accepted to Workshop on Graph Learning Benchmarks at KDD 2023