Graphtester：探索GNN在图数据集上的理论边界
机器学习
2023-07-03 v1 人工智能
摘要
图神经网络（GNN）已成为从图结构数据中学习的强大工具。然而，即便最先进的架构在可区分的结构上也存在局限，对不同数据集上网络所能达到的性能施加了理论限制。在本文中，我们提供一种称为Graphtester的新工具，用于对各类数据集、任务和指标下GNN的理论能力进行全面分析。我们使用Graphtester分析了超过40个不同的图数据集，基于层数确定了各种GNN性能的上界。进一步，我们展示该工具也可用于带位置节点编码的图Transformer，从而扩展其适用范围。最后，我们证明Graphtester生成的特性可用于图Transformer等实际应用，并提供一个合成数据集来基准测试节点与边特征（如位置编码）。该软件包可免费获取于以下URL：https://github.com/meakbiyik/graphtester。
引用
@article{arxiv.2306.17482,
title = {Graphtester: Exploring Theoretical Boundaries of GNNs on Graph Datasets},
author = {Eren Akbiyik and Florian Grötschla and Beni Egressy and Roger Wattenhofer},
journal= {arXiv preprint arXiv:2306.17482},
year = {2023}
}