GLEMOS：即时图学习模型选择基准
机器学习
2024-04-03 v1 社会与信息网络
摘要
图学习(GL)模型（即GL算法及其超参数设置）的选择对下游任务的性能有显著影响。然而，随着越来越多的GL模型被开发出来，选择合适的GL模型变得越来越困难和耗时。因此，使GL用户能够在无需人工干预的情况下近乎即时地选择有效的GL模型具有重要的现实意义和实用价值。尽管最近有尝试解决这一重要问题，但还没有一个全面的基准环境来评估GL模型选择方法的性能。为填补这一空白，我们在本工作中提出了GLEMOS，一个用于即时GL模型选择的综合基准，其贡献如下：(i) GLEMOS为基本的GL任务（即链接预测和节点分类）提供了广泛的基准数据，包括366个模型在457个图上对这些任务的性能。(ii) GLEMOS设计了多种评估设置，并评估了代表性模型选择技术在这些不同设置中的有效性。(iii) GLEMOS设计为易于扩展，可添加新模型、新图和新性能记录。(iv) 基于实验结果，我们讨论了现有方法的局限性并强调了未来的研究方向。为促进对这一重要问题的研究，我们在https://github.com/facebookresearch/glemos公开了基准数据和代码。
引用
@article{arxiv.2404.01578,
title = {GLEMOS: Benchmark for Instantaneous Graph Learning Model Selection},
author = {Namyong Park and Ryan Rossi and Xing Wang and Antoine Simoulin and Nesreen Ahmed and Christos Faloutsos},
journal= {arXiv preprint arXiv:2404.01578},
year = {2024}
}
备注
NeurIPS 2023