非同配图上的大规模学习：新基准与强而简单的方法
机器学习
2021-10-28 v1 社会与信息网络
机器学习
摘要
许多广泛使用的图机器学习任务数据集通常是同配的，即具有相似标签的节点相互连接。近年来，已开发出超越同配机制的新型图神经网络（GNN），但其评估常在具有有限应用领域的小图上开展。我们收集并引入了来自多种应用领域的多样化非同配数据集，其节点数最多达先前数据集的 384 倍，边数达 1398 倍。我们进一步表明，现有的可扩展图学习与图小批量技术在这些非同配数据集上会导致性能下降，从而凸显了对非同配可扩展方法的进一步研究需求。为解决这些问题，我们引入 LINKX——一种强而简单的方法，支持直接的小批量训练与推理。在我们对所提数据集上使用代表性简单方法与 GNN 的广泛实验结果表明，LINKX 在非同配图学习上达到了最先进性能。我们的代码与数据可在 https://github.com/CUAI/Non-Homophily-Large-Scale 获取。
引用
@article{arxiv.2110.14446,
title = {Large Scale Learning on Non-Homophilous Graphs: New Benchmarks and Strong Simple Methods},
author = {Derek Lim and Felix Hohne and Xiuyu Li and Sijia Linda Huang and Vaishnavi Gupta and Omkar Bhalerao and Ser-Nam Lim},
journal= {arXiv preprint arXiv:2110.14446},
year = {2021}
}
备注
Published at NeurIPS 2021