具有低秩非参数聚合器的简单 GNN
机器学习
2024-11-28 v2 机器学习
摘要
我们重新审视近期用于半监督节点分类（SSNC）的谱 GNN 方法。我们认为最先进（SOTA）GNN 架构对于常见 SSNC 基准数据集（引文网络、页-页网络等）可能过度设计。通过以非参数学习器替代特征聚合，我们得以精简 GNN 设计流程，并规避与 SOTA 超参数选择（GNN 深度、非线性选择、特征丢弃概率等）相关的诸多工程复杂性。我们的实证实验表明，诸如非参数回归的传统方法非常适用于稀疏有向网络及 SSNC 基准中常见的多种其他图类型的半监督学习。此外，我们提请注意近期 SSNC 基准评估惯例的变化，以及其如何可能部分导致了随时间推移性能的提升。
引用
@article{arxiv.2310.05250,
title = {Simple GNNs with Low Rank Non-parametric Aggregators},
author = {Luciano Vinas and Arash A. Amini},
journal= {arXiv preprint arXiv:2310.05250},
year = {2024}
}
备注
Edits to manuscript before final submission to LOG24