Dec, 2020

节点分类任务中图神经网络公平比较的流程

PDF
TL;DR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。
发现论文，激发创造
  • 图神经网络评估的陷阱

    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。

    Nov, 2018

  • 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

  • 关于图神经网络和特征增强策略在社交网络分类中的能力

    本研究对四种图神经网络架构及五种节点人工特征进行分析，应用于分类任务，并比较它们在不同隐藏层维度下的性能。结果表明，高计算能力的 GNN 架构与信息丰富的人工特征对于性能表现起到平衡重要作用。

    Jan, 2024

  • 透过自适应数据增强实现公平节点表示学习

    本研究通过理论分析揭示了 Node representation learning 中源自于 nodal features 和 graph structure 的偏见，并提出了针对其固有偏见的公平感知数据增强框架，可广泛用于增强各种基于 GNN 的学习机制的公平性。

    Jan, 2022

  • 图神经网络的数据增强

    本文介绍了一个名为 GAug 的图数据增强框架，并讨论了在图形神经网络 (GNN) 上进行数据增强的实际动机、考虑因素和策略，重点介绍了如何通过神经边缘预测器有效地提高节点分类性能。实验结果表明，通过 GAug 的数据增强可以提高 GNN 的性能，适用于多种基准数据集和架构。

    Jun, 2020

  • 训练更深层次图神经网络的技巧：一项综合基准研究

    本研究提供了第一个公平、可重复的基准测试，重点研究了训练深度图神经网络中的技巧，并利用该测试在数十个代表性图数据集上进行了全面评估，证明了初始连接、标识映射、分组和批量归一化的有机组合实现了深度 GNN 在大型数据集上的最新成果。

    Aug, 2021

  • 超几何基准测试揭示了图神经网络性能与网络拓扑特征的关系

    我们介绍了一个用于图机器学习的全面基准测试框架，关注 GNN 在各种网络结构上的性能，结果强调了模型性能依赖于网络结构和节点特征之间的相互作用，并为模型选择提供了见解。

    Jun, 2024

  • 关于图分类网络、数据集和基准的研究

    研究了图分类相应的深层网络中对初始值非常敏感，实验表明即使是结构单一的 MLP、单层 GCN 和固定权重的 GCN 也可以与最先进的模型竞争

    May, 2019

  • 图神经网络基准测试

    本文介绍了 Graph Neural Networks (GNNs) 领域关于基准测试框架的应用，通过该框架，可对模型进行比较，并且探索新的 GNN 设计和洞见，其中，图形位置编码 (PE) 是该基准测试框架中引入的重要设计之一。

    Mar, 2020

  • 公平感知的图神经网络：一份调查

    通过对图神经网络的公平性技术进行分类和研究，本文介绍了改善图神经网络公平性的先前工作，包括预处理步骤、训练过程和后处理阶段，同时提出了公平性评价指标的直观分类，并对用于基准测试的图数据集进行了总结，还针对未解决的关键问题和挑战进行了讨论。

    Jul, 2023