通过对抗协作实现任务无关的图神经网络评估
机器学习
2023-03-28 v3
摘要
随着图神经网络（GNN）在分子表示学习方面的研究进展，开发可靠方法来评估其进展的需求日益增长。现有的分子表示学习GNN基准测试方法侧重于比较GNN在某些数据集上若干节点/图分类/回归任务中的性能。然而，缺乏一种原则性的、任务无关的方法来直接比较两个GNN。此外，大多数现有自监督学习工作对数据采用手工设计的增强，但由于图具有独特特性，这些方法在图上应用面临若干严重困难。为解决上述问题，我们提出GraphAC（图对抗协作，Graph Adversarial Collaboration）——一种概念上新颖、原则性、任务无关且稳定的框架，通过对比自监督来评估GNN。我们引入一种新目标函数：竞争式Barlow Twins（Competitive Barlow Twins），使两个GNN能够通过相互直接竞争来联合更新自身。GraphAC成功区分了不同表达能力的GNN（跨多方面），并被证明是一种原则性且可靠的GNN评估方法，且无需任何数据增强。
引用
@article{arxiv.2301.11517,
title = {Task-Agnostic Graph Neural Network Evaluation via Adversarial Collaboration},
author = {Xiangyu Zhao and Hannes Stärk and Dominique Beaini and Yiren Zhao and Pietro Liò},
journal= {arXiv preprint arXiv:2301.11517},
year = {2023}
}
备注
11th International Conference on Learning Representations (ICLR 2023) Machine Learning for Drug Discovery (MLDD) Workshop. 17 pages, 6 figures, 4 tables