少即是多：SlimG 用于准确、鲁棒且可解释的图挖掘
机器学习
2023-06-19 v4 社会与信息网络
摘要
我们如何能在可能带有噪声特征与结构的各种图中解决半监督节点分类问题？图神经网络（GNNs）已在许多图挖掘任务中取得成功，但由于训练困难、超参数调优以及模型本身的选择，其对各种图场景的泛化能力有限。爱因斯坦曾说我们应“把一切做到尽可能简单，但不必更简单”。我们将其重述为审慎简洁原则：一个精心设计的简单模型可以在真实世界图中超越复杂模型。基于该原则，我们提出用于半监督节点分类的 SlimG，其展现出四种理想特性：它（a）准确，在 13 个真实世界数据集中的 10 个上获胜或持平；（b）鲁棒，是唯一能处理所有图数据场景（同配、异配、随机结构、噪声特征等）的模型；（c）快速且可扩展，在百万级图上训练最高快 18 倍；以及（d）可解释，这得益于其线性和稀疏性。我们通过系统性研究现有 GNN 的设计、合理性检验和全面的消融实验来解释 SlimG 的成功。
引用
@article{arxiv.2210.04081,
title = {Less is More: SlimG for Accurate, Robust, and Interpretable Graph Mining},
author = {Jaemin Yoo and Meng-Chieh Lee and Shubhranshu Shekhar and Christos Faloutsos},
journal= {arXiv preprint arXiv:2210.04081},
year = {2023}
}
备注
Accepted to KDD 2023