社区结构对基于图神经网络的半监督分类的影响
机器学习
2021-03-08 v2
摘要
图神经网络 (GNNs) 在许多应用中十分有效。然而，对于常见图结构对 GNN 学习过程的影响仍理解有限。本工作中，我们系统研究社区结构对 GNN 在图上半监督节点分类中性能的影响。在六个数据集上的消融研究中，我们度量 GNN 在原始图上的性能，以及社区结构存在与缺失时性能的变化。我们的结果表明，社区通常对学习过程和分类性能有重大影响。例如，当来自同一社区的大多数节点共享单一分类标签时，打破社区结构会导致性能显著下降。另一方面，对于标签与社区相关性低的情况，我们发现图结构对学习过程相当无关，仅基于特征的基线难以被击败。通过我们的工作，我们提供了对 GNN 能力与局限的更深入见解，包括一组基于图结构的模型选择通用准则。
引用
@article{arxiv.2010.16245,
title = {On the Impact of Communities on Semi-supervised Classification Using Graph Neural Networks},
author = {Hussain Hussain and Tomislav Duricic and Elisabeth Lex and Roman Kern and Denis Helic},
journal= {arXiv preprint arXiv:2010.16245},
year = {2021}
}