双曲基准测试揭示GNN性能中的网络拓扑-特征关系
机器学习
2024-06-06 v1
摘要
图神经网络（GNN）在预测图属性方面表现出色，应用范围从识别社交网络趋势到药物发现和恶意软件检测。随着新架构的增多和复杂性的增加，GNN在少数几个知名数据集上进行测试时变得高度特化。然而，GNN的性能如何依赖于图的拓扑和特征属性仍然是一个悬而未决的问题。在这项工作中，我们引入了一个用于图机器学习的综合基准测试框架，重点关注GNN在不同网络结构上的性能。利用双曲空间中的几何软配置模型，我们生成具有现实拓扑属性和节点特征向量的合成网络。这种方法使我们能够评估网络属性（如拓扑-特征相关性、度分布、三角形局部密度（或聚类系数）以及同质性）对不同GNN架构有效性的影响。我们的结果突出了模型性能对网络结构和节点特征之间相互作用的依赖性，为各种场景下的模型选择提供了见解。这项研究通过提供一个用于评估GNN的多功能工具为该领域做出了贡献，从而有助于根据特定数据特征开发和选择合适的模型。
引用
@article{arxiv.2406.02772,
title = {Hyperbolic Benchmarking Unveils Network Topology-Feature Relationship in GNN Performance},
author = {Roya Aliakbarisani and Robert Jankowski and M. Ángeles Serrano and Marián Boguñá},
journal= {arXiv preprint arXiv:2406.02772},
year = {2024}
}