GraphLand：在多样化工业数据上评估图机器学习模型
机器学习
2026-05-05 v5 人工智能
摘要
尽管可以自然表示为图的数据在跨不同行业的现实应用中非常普遍，但用于节点属性预测的流行图机器学习基准仅涵盖了惊人狭窄的数据领域集，且图神经网络（GNNs）通常仅在少数几个学术引文网络上进行评估。鉴于近期对设计图基础模型日益增长的兴趣，这一问题尤为紧迫。这些模型本应能够迁移到来自不同领域的多样化图数据集，然而所提出的图基础模型往往仅在来自狭窄应用的非常有限的数据集上进行评估。为缓解这一问题，我们引入了 GraphLand：一个包含来自一系列不同工业应用的 14 个多样化图数据集的节点属性预测基准。GraphLand 允许在统一设置下，在各种具有不同规模、结构特征和特征集的图上评估图机器学习模型。此外，GraphLand 允许研究以前未被充分探索的研究问题，例如在直推式和归纳式设置下，现实的时间分布偏移如何影响图机器学习模型的性能。为了模拟现实的工业设置，我们使用 GraphLand 将 GNNs 与工业应用中流行的梯度提升决策树（GBDT）模型进行比较，并表明提供额外基于图的输入特征的 GBDTs 有时可以成为非常强的基线。此外，我们评估了目前可用的通用图基础模型，发现它们在我们提出的数据集上无法产生有竞争力的结果。
引用
@article{arxiv.2409.14500,
title = {GraphLand: Evaluating Graph Machine Learning Models on Diverse Industrial Data},
author = {Gleb Bazhenov and Oleg Platonov and Liudmila Prokhorenkova},
journal= {arXiv preprint arXiv:2409.14500},
year = {2026}
}
备注
Accepted at NeurIPS 2025 (Datasets & Benchmarks Track)