KDDFeb, 2022

GraphWorld: 通过虚构图形为 GNNs 提供实际见解

PDF
TL;DR本研究提出了一个名为 GraphWorld 的基于人工合成图形的 GNN 模型基准测试方法，可以为 GNN 提供可调、可伸缩和易于使用的基准测试环境，并可以随机生成大量统计差异的数据集，经过实验表明，它可以揭示出传统基准测试中未观测到的模型之间的比较，同时还能探究图形属性与任务性能测量之间的关系。
graph neural networksbenchmarkingsynthetic graphshyperparameter tuningperformance characteristics
发现论文，激发创造
  • 图学习模型中度分布和同质性效应的研究

    通过整合多个综合性生成器，我们扩展了 GraphWorld 框架的图空间覆盖范围，并保留了真实网络中观察到的关键图属性，同时基于性质对模型进行分类，为 GNN 性能评估提供了更多图数据。

    Jul, 2023

  • 用于基准测试图神经网络的图生成模型

    提出了一种名为 Computation Graph Transformer（CGT）的图形生成模型，它可以在保证隐私的前提下，生成大规模真实世界图的有效基准图，用于作为 Graph Neural Networks 模型的基准测试。

    Jul, 2022

  • 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

  • 用于基准图学习的合成图形生成

    本文介绍了如何利用合成图形进行基准测试，以深入研究不同类型的图学习算法科学性能，研究结果显示我们的框架为无监督和有监督图神经网络模型提供了洞见。

    Apr, 2022

  • 解决公平图学习数据集的不足：走向新的基准

    公平图学习方法的评估常常依赖于构造不完善的半合成数据集或次标准的真实世界数据集。本研究针对这些问题，通过开发和引入一系列合成、半合成和真实世界数据集，旨在为公平模型的评估提供有意义的图结构和关键偏见信息。经过对提出的数据集的系统评估，为公平图学习模型建立了一种统一的评估方法。我们在数据集上对公平图学习方法进行了广泛的实验，证明了这些方法在性能评估方面的有效性。

    Mar, 2024

  • 大规模图训练的全面研究：基准测试和重新思考

    本文通过提供大规模图训练不同的架构和贴切的评估方法，在分析它们的优点和缺点后，介绍了一个名为 EnGCN 的新的集成训练方式。

    Oct, 2022

  • 动态异构学术图的公共基准测试

    本研究针对机器学习模型在动态图中的学习和推理遇到的挑战，针对传统静态同构图数据集的局限性，提出了一种利用多元素科学出版涵盖的动态异构学术图数据集，测试模型预测任务的效能，并提出了一种系统方法来改善现有的图预测模型评估程序。

    Apr, 2022

  • GNNBENCH: 公平高效的单 GPU 图神经网络系统基准测试

    通过 GNNBench 基准平台，我们提出了一种新的协议来交换捕获的张量数据，支持系统 API 中的自定义类，并允许将同一系统模块自动集成到诸多深度学习框架中，如 PyTorch 和 TensorFlow，这帮助我们发现了几个需要关注的测量问题。

    Apr, 2024

  • 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