SGNNBench：大规模图数据上的脉冲图神经网络全面评估
神经与进化计算
2025-09-29 v1 人工智能
机器学习
摘要
图神经网络 (GNN) 是为图数据设计的杰出深度模型。消息传递机制使 GNN 能够有效捕捉图拓扑结构，并推动性能在各种图任务上的突破。然而，为图表征学习开发此类复杂机制的趋势在大规模图上变得不可持续。计算和时间开销使得开发更高效的 GNN 成为不得已，以应对实际图的爆炸式增长。脉冲图神经网络 (SGNN)，其通过独特的脉冲基神经元实现生物学上可信的学习，已成为一种富有潜力的高效替代方案。不同层之间的稀疏二进制脉冲促进图中中间表征的计算和存储。尽管近年来提出了众多 SGNN，但尚无系统性基准用于探索这些受大脑启发网络在图数据上的基本设计原则。为填补这一空白，我们present SGNNBench 来量化 SGNN 领域的进展。具体而言，SGNNBench 从多个角度深入探究 SGNN，包括有效性、能源效率和架构设计。我们全面评估了 9 种最先进的 SGNN 横跨 18 个数据集。就效率而言，经验上比较这些基线的模型规模、内存使用情况和理论能耗，以揭示 SGNN 常被忽视的能源瓶颈。此外，我们细致探讨了 SGNN 的设计空间，以推动通用 SGNN 范式的发展。
引用
@article{arxiv.2509.21342,
title = {SGNNBench: A Holistic Evaluation of Spiking Graph Neural Network on Large-scale Graph},
author = {Huizhe Zhang and Jintang Li and Yuchang Zhu and Liang Chen and Li Kuang},
journal= {arXiv preprint arXiv:2509.21342},
year = {2025}
}
备注
The code is available at https://github.com/Zhhuizhe/SGNNBench