Nov, 2018

图神经网络评估的陷阱

PDF
TL;DR本文探讨了现有的 Graph Neural Networks（GNN）模型评估策略的局限性，通过对四个知名 GNN 模型进行彻底的实证评估，发现只有在公平的条件下比较各种模型的性能才是合理的，简单的 GNN 架构通过超参数和训练程序的公平调整也可以胜过复杂的架构。
semi-supervised node classificationgraph neural networksevaluation strategiesempirical evaluationhyperparameter tuning
发现论文，激发创造
  • 评估图神经网络在链接预测中的表现：现有缺陷和新基准测试

    本研究旨在克服当前评估链接预测方法存在的问题，包括低于实际性能、部分数据集缺乏统一的数据集划分和评估指标以及易于负采样的不现实评估设置，通过使用相同的数据集和超参数搜索设置对著名方法和数据集进行公平比较，创建基于启发式相关抽样技术的实用评估设置，该评估设置通过多种启发式采样难负样本来提高新挑战和机遇，以与实际情况相一致。

    Jun, 2023

  • 节点分类任务中图神经网络公平比较的流程

    本研究设计了一套标准、可重复的基准测试设置，并使用多个小型和中型数据集以及 7 个不同模型对其进行评估，结果表明模型层数的增加并不总是能提高性能，结合节点 2vec 和拉普拉斯特征向量的数据增强技术可以有效提高分类任务表现。

    Dec, 2020

  • 单 GPU GNN 系统：陷阱与注意事项

    目前的图神经网络系统在不显示训练准确率结果的同时，直接或间接地依赖较小的数据集进行评估，这导致系统设计和评估过程中存在许多陷阱，质疑了许多已提出的系统优化的实用性及其结论和经验教训，我们对许多单 GPU 系统进行了分析，展示了这些陷阱的基本影响，进一步提出了假设、建议和评估方法，并提供未来发展方向。最后，我们开发了一个新的参考系统，以解决系统设计的陷阱，从而真正推动技术进步。

    Feb, 2024

  • 半监督分类的图分区神经网络

    本文提出了一种名为 GPNN 的图划分神经网络，通过在小子图中进行本地传播和在子图之间进行全局传播来处理极大的图形。经过大量实验，实验结果表明，GPNN 在图形半监督分类任务中表现优异或与现有算法相当，且使用更少的传播步骤也能够达到标准 GNN 的性能。

    Mar, 2018

  • 图马尔可夫神经网络的公平评估

    本文介绍了一种名为 GMNN 的图马尔可夫神经网络模型用于半监督节点分类，它在节点特征、图结构、邻居节点标签三个方面提高节点标签预测的准确性，并使用 WikiVitals 数据集进行了有效性验证，研究中使用了适当的随机化方法进行模型性能比较和模型选择。

    Apr, 2023

  • 图分类问题中图神经网络的公正比较

    本文探讨了机器学习中实验的可重复性和可复制性问题，并针对图形学习领域的常见做法、常见问题和常用方法进行概述，提供了五个流行模型的评估方法，并提出结构信息尚未得到充分利用的证据。

    Dec, 2019

  • E2GNN：高效的半监督分类图神经网络集成

    该研究旨在研究半监督条件下图神经网络（GNNs）的集成学习。通过将多个薄弱学习器的输出组合起来，集成学习已经在传统机器学习中提高准确性和鲁棒性方面显示出优越性。然而，在集成不同的 GNN 模型时，由于 GNN 的推理能力较差，这个想法很具有挑战性。为了解决这个问题，在本文中，我们提出了一种高效的集成学习算法 E2GNN，以可学习的方式组合多个 GNNs，同时利用标记和未标记节点。通过开展全面的实验证明了 E2GNN 的优越性。

    May, 2024

  • 图神经网络在不必要的情况下使用图

    图神经网络在图数据上学习的支配方法中，普遍存在过拟合图结构的现象，本研究通过对不同图分布进行分析，提出了一种理论解释和图编辑方法，以减轻图神经网络对应该被忽略的图结构的过拟合问题，并在多个基准测试中验证了该方法的有效性。

    Sep, 2023

  • 朝向因果分类的图神经网络的全面研究

    研究发现了图神经网络在因果分析方面的潜力，通过评估不同数据环境中九个基准图分类模型的效率和灵活性，突显了预测能力以及需求进一步提升的领域。

    Jan, 2024

  • GNN-Ensemble: 面向随机决策图神经网络的研究

    本文提出了一种基于随机建模的新方法，称为 GNN-Ensemble，用于构建多个随机决策图神经网络的集成，从而提高图神经网络的性能，泛化能力和对抗性鲁棒性。该方法在不同的子结构和子特征空间中构建 GNN，在决策时进行组合，从而提高了它们的分类性能，并有效降低了对训练数据的过拟合。同时，我们证明 GNN-Ensemble 可以显著提高对抗性攻击的鲁棒性。

    Mar, 2023