GNN-MultiFix：解决图神经网络在多标签节点分类中的陷阱
机器学习
2024-11-22 v1
摘要
图神经网络(GNN)已成为学习图数据表示的有力模型，在各种任务中展现出最先进的成果。然而，这些方法的优越性通常是通过在小型基准数据集子集上评估其性能，或通过某些图同构测试来论证其表达能力来支撑的。在本文中，我们通过节点分类任务的直推式设置批判性地分析了这两个方面。首先，我们更深入地研究了多标签节点分类的情况，这提供了更现实的场景，但在大多数相关工作中被忽略了。通过分析GNN方法的训练动态，我们揭示了GNN即使在训练数据充足的情况下也无法在多标签图数据集上学习。其次，我们表明，特别对于直推式节点分类，即使是最具表达力的GNN，在没有节点属性且不将显式标签信息作为输入的情况下也可能无法学习。为了克服这一缺陷，我们提出了一种直接的方法，称为GNN-MultiFix，它整合了节点的特征、标签和位置信息。GNN-MultiFix在所有多标签数据集上均显示出显著的改进。我们在https://anonymous.4open.science/r/Graph-MultiFix-4121发布代码。
引用
@article{arxiv.2411.14094,
title = {GNN-MultiFix: Addressing the pitfalls for GNNs for multi-label node classification},
author = {Tianqi Zhao and Megha Khosla},
journal= {arXiv preprint arXiv:2411.14094},
year = {2024}
}