挑战背景知识在图神经网络中的益处： biomedical 中的现实考验
机器学习
2025-09-23 v2
摘要
在复杂且数据稀缺的领域如生物医学研究中， incorporating background knowledge（BK）图（如蛋白质-蛋白质相互作用网络）到图基机器学习管道中是一个值得期待的研究方向。然而，尽管BK常被假设为改进模型性能，但其实际贡献以及不完美知识的影响仍不为人知。在本工作中，我们调查了BK在重要现实任务：癌症亚型分类中的作用。意外地，我们发现（i）使用BK的SOTA图神经网络与线性回归等无信息模型一样表现不佳，且（ii）即使BK图被严重扰动，其性能也基本保持不变。为理解这些意外结果，我们引入一个评估框架，采用（i）BK明确信息且清晰的合成环境，以及（ii）模拟BK图各种不完美情况的扰动集合。通过此，我们测试了BK感知模型在合成和现实生物医学环境中的鲁棒性。我们的发现表明，图神经网络架构与BK特征之间的精确对齐是必要的，但潜在显著性能提升。
引用
@article{arxiv.2505.11023,
title = {Informed, but Not Always Improved: Challenging the Benefit of Background Knowledge in GNNs},
author = {Kutalmış Coşkun and Ivo Kavisanczki and Amin Mirzaei and Tom Siegl and Bjarne C. Hiller and Stefan Lüdtke and Martin Becker},
journal= {arXiv preprint arXiv:2505.11023},
year = {2025}
}
备注
10 pages, 7 figures, added repo link