用于图神经网络基准测试的图生成模型
机器学习
2023-06-12 v4 人工智能
密码学与安全
摘要
随着图神经网络（GNN）领域的持续发展，在具有挑战性的现实问题上训练和测试新GNN模型所需的大型真实世界数据集需求也相应增长。不幸的是，此类图数据集通常生成自在线、高度隐私受限的生态系统，这使得在这些数据集上的研究与开发困难重重，甚至不可能。这极大减少了研究者可用的基准图数量，导致该领域仅依赖少数公开数据集。为解决这个问题，我们提出一种新颖的图生成模型——计算图Transformer（CGT），以隐私可控的方式学习并复现真实世界图的分布。更具体地，CGT（1）生成有效的基准图，使GNN在其上展现与源图相似的任务性能，（2）可扩展以处理大规模图，（3）集成现成的隐私模块以保证生成图的终端用户隐私。跨大量图生成模型的广泛实验表明，仅我们的模型能成功生成隐私可控、大规模真实世界图的合成替代物，并可有效用于基准测试GNN模型。
引用
@article{arxiv.2207.04396,
title = {Graph Generative Model for Benchmarking Graph Neural Networks},
author = {Minji Yoon and Yue Wu and John Palowitch and Bryan Perozzi and Ruslan Salakhutdinov},
journal= {arXiv preprint arXiv:2207.04396},
year = {2023}
}