混合图:一种统一的图表示法,用于复杂图的数据集和基准测试
本文通过使用官方代码、数据集、设置和超参数,对 12 个最近的异质图神经网络进行了系统的复现,揭示了关于 HGNNs 进展的惊人发现。发现由于不当的设置,简单的同质 GNNs 被大大低估,GAT 在适当的输入情况下可以在各种情况下与或胜过所有现有的 HGNNs。为了促进鲁棒且可重复的 HGNN 研究,我们构建了异质图基准 (HGB),其中包括具有三个任务的 11 个不同的数据集。HGB 规范了异质图数据分割、特征处理和性能评估的流程。最后,我们介绍了一个简单但非常强大的基准 Simple-HGN,它在 HGB 上明显优于所有先前的模型,以加速未来 HGNNs 的发展。
Dec, 2021
本研究提出了一种超图神经网络 (HGNN) 框架,可以通过超图结构编码高阶数据相关性,并使用超边卷积操作处理数据相关性,以有效地进行数据表示学习。实验结果表明,HGNN 方法优于最新的最先进的方法,并且可以处理现实世界中的复杂数据和多模数据。
Sep, 2018
本文介绍了一种新的框架,Blend&Grind-HGNN(BG-HGNN),该框架有效地解决了现有 HGNN 在处理不同关系类型复杂异构图时所面临的问题,其通过将不同关系融合到一个统一的特征空间中,在参数可管理的单一参数集的帮助下,得到了一个更高效、更有效地从异构图中学习的 HGNN 方法。实证研究表明,BG-HGNN 在参数效率(高达 28.96 倍)、训练吞吐量(高达 8.12 倍)和准确性(高达 1.07 倍)方面显著超过了现有的 HGNN。
Mar, 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
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
本文介绍了伊利诺伊图基准(Illinois Graph Benchmark,IGB),是一种可用于高度准确地培训、审查和系统评估 GNN 模型的研究数据集工具,其中包括大量的同质和异质图,超过 40%的节点被标记,提供了比最大的图数据集公开可用更多的标记数据,还具有灵活性,使得研究各种 GNN 体系结构、嵌入式生成技术并分析系统性能问题成为可能。
Feb, 2023
本研究介绍了 Open Graph Benchmark(OGB),它是一个包含多个重要图形机器学习任务的大规模数据集,为规模化、坚固性、再现性图形机器学习研究提供了有挑战的、真实的基准数据集,并提供一个统一的评估协议,其中包括有意义的特定于应用程序的数据拆分和评估指标。同时,OGB 提供了一个自动化的端到端图形机器学习管道,简化了图形数据加载、实验设置和模型评估的流程。
May, 2020