GNN学习评估中的不确定性：社区检测一致基准的重要性
机器学习
2023-11-28 v5 人工智能
摘要
图神经网络(GNNs)因其能够编码图连通性与特征信息空间的双重维度，改进了聚类节点的无监督社区检测。识别潜在社区在从社交网络到基因组学的许多实际应用中均有价值。由于影响GNN在此任务上评估的各类决策繁多，当前真实世界性能的基准令人困惑。为此，我们提出一个框架以建立通用评估协议。我们通过展示遵循与不遵循该协议下的差异来论证并证明其合理性。W随机系数是一项用于评估算法排序一致性以量化随机性存在下结果可靠性的指标。我们发现，通过确保遵循相同的评估准则，可能与已报道的该方法任务性能存在显著差异，但可实现更完整的方法评估与比较。
引用
@article{arxiv.2305.06026,
title = {Uncertainty in GNN Learning Evaluations: The Importance of a Consistent Benchmark for Community Detection},
author = {William Leeney and Ryan McConville},
journal= {arXiv preprint arXiv:2305.06026},
year = {2023}
}
备注
Accepted by Twelfth International Conference on Complex Networks & Their Applications