IGL-Bench：为不平衡图学习建立全面基准
机器学习
2025-03-04 v3 人工智能
摘要
深度图学习因其在各类领域中表示图数据的通用性和成功而获得了广泛流行。然而，图数据分布不平衡的问题——即某些部分数据异常丰富而其他部分稀疏——削弱了常规图学习算法的效能，导致偏差结果。为此，针对不平衡图学习 (IGL) 的研究引发广泛关注，使数据分布更平衡并实现更佳的任务性能。尽管IGL算法层出不穷，但缺乏一致的实验协议和公平的性能比较，成为理解该领域进展的重大障碍。为弥合这一差距，本文引入 IGL-Bench，作为不平衡图学习的基础性全面基准，涵盖 16 个多样化图数据集和 24 种不同的 IGL 算法，并采用统一的数据处理与划分策略。具体而言，IGL-Bench 在节点级和图级任务中，围绕类别不平衡和拓扑不平衡，对最新 IGL 算法进行有效性、鲁棒性和效率的系统性调查。大量实验表明，IGL 算法在 various 不平衡条件下均可带来潜在益处，为 IGL 领域提供了洞见和机遇。此外，我们开发了一个开源且统一的软件包，旨在促进可重复评估并激发进一步的创新研究，已于 https://github.com/RingBDStack/IGL-Bench 提供。
引用
@article{arxiv.2406.09870,
title = {IGL-Bench: Establishing the Comprehensive Benchmark for Imbalanced Graph Learning},
author = {Jiawen Qin and Haonan Yuan and Qingyun Sun and Lyujin Xu and Jiaqi Yuan and Pengfeng Huang and Zhaonan Wang and Xingcheng Fu and Hao Peng and Jianxin Li and Philip S. Yu},
journal= {arXiv preprint arXiv:2406.09870},
year = {2025}
}
备注
The Thirteenth International Conference on Learning Representations (ICLR'25)