GNNEvaluator：在无标签未知图上评估GNN性能
机器学习
2023-10-30 v2
摘要
评估图神经网络（GNNs）的性能对于实际的GNN模型部署和服务是一项重要任务，因为部署的GNN在未知且无标签的测试图上推理时，由于训练-测试图分布不匹配，面临显著的性能不确定性。在本文中，我们研究一个新问题，即GNN模型评估，旨在通过在无标签的未知图上精确估计其性能（例如节点分类准确率）来评估在已标注和已观测图上训练的特定GNN模型的性能。具体而言，我们提出一个两阶段GNN模型评估框架，包括（1）DiscGraph集合构建和（2）GNNEvaluator训练与推理。DiscGraph集合通过差异度量函数捕获广泛且多样的图数据分布差异，该函数利用与潜在节点嵌入和节点类预测相关的GNN输出。在来自DiscGraph集合的有效训练监督下，GNNEvaluator学习精确估计待评估GNN模型的节点分类准确率，并做出准确推理以评估GNN模型性能。在真实世界未知且无标签测试图上的大量实验证明了我们提出的方法在GNN模型评估上的有效性。
引用
@article{arxiv.2310.14586,
title = {GNNEvaluator: Evaluating GNN Performance On Unseen Graphs Without Labels},
author = {Xin Zheng and Miao Zhang and Chunyang Chen and Soheila Molaei and Chuan Zhou and Shirui Pan},
journal= {arXiv preprint arXiv:2310.14586},
year = {2023}
}
备注
Accepted by NeurIPS 2023