节点分类任务中图神经网络公平比较的流程
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
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
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
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
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
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
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
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
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