Graphtester: 探索基于图形数据集上 GNNs 的理论边界

Jun, 2023

Graphtester: 探索基于图形数据集上 GNNs 的理论边界

Graphtester: Exploring Theoretical Boundaries of GNNs on Graph Datasets

Eren Akbiyik, Florian Grötschla, Beni Egressy, Roger Wattenhofer

TL;DR本文介绍了一个新的工具 Graphtester，用于对 40 个不同的图形数据集进行分析，以确定各种 GNNs 的性能上限，并扩展其范围以对 Graph Transformer 进行分析，并提供了一个用于基准测试节点和边缘特征的合成数据集和 positional encodings

Abstract

graph neural networks (GNNs) have emerged as a powerful tool for learning from graph-structured data. However, even state-of-the-art architectures have limitations on what structures they can distinguish, imposing theoretical limits on what the networks can achieve on different dataset

graph neural networks graphtester performance analysis graph transformers positional node encodings

发现论文，激发创造

图变换网络

本论文提出了一种名为 GTNs 的图转换器网络，能够在图上进行节点表示的学习，同时生成新的图结构以及识别原始图上未连接点之间有用的连接。实验表明，GTNs 有效地生成新的图结构，通过卷积在新图上产生具有强大表现力的节点表示，并在三个基准节点分类任务中取得了最佳表现。

Nov, 2019

测试时图变换增强图表示学习

本文提出了一种名为 GTrans 的图形变换框架，通过在测试时自适应和改进图形数据，从数据角度来解决图神经网络（GNN）所面临的数据质量问题，经实验表明，GTrans 在改善性能方面表现最佳。

Oct, 2022

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

探索图神经网络的泛化理解

研究了图神经网络在泛化上的机制，建立了高概率边界和其对泛化差距和梯度的影响，得出结论和实验证据相符的新认识。

May, 2023

图机器学习基础的未来方向

机器学习与图神经网络，尤其是使用图神经网络（GNN）的机器学习，在各个领域的图数据广泛应用中受到了广泛关注。然而，对于 GNN 的性质仍存在理论上的不完备性。最近的理论进展主要集中于阐明 GNN 的粗粒度表达能力，主要使用组合技巧。然而，这些研究与实践并不完全一致，特别是在理解使用随机一阶优化技术训练时 GNN 的泛化行为方面。在本文中，我们将论证图机器学习社区需要将关注点转向发展一个更加平衡的图机器学习理论，重点研究表达能力、泛化和优化的相互作用。

Feb, 2024

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

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

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

深度图映射器：通过神经透镜看图形

本研究结合 Mapper 算法和 Graph Neural Networks，提出一种基于拓扑结构的图形可视化方法，通过 PageRank 算法等实现了有效的图池化处理，并在图分类基准测试上取得了竞争力结果。

Feb, 2020

图计算加速器的实现

图神经网络在图结构数据上学习提供了一种新颖的机器学习范例，能够捕捉图数据中的复杂关系和依赖性，从而在社交网络分析、分子化学和网络安全等领域具有重要的影响。本论文旨在深入研究 GNN 与底层硬件的交互方式，并设计专用加速器和新型优化方法，以实现更高效和更快速的 GNN 计算。我们基于对 GNN 计算需求的特征化构建了先进的硬件加速器结构，同时扩展了对图神经网络领域中新型模型的探索，旨在提供不仅高性能而且能适应图计算发展的多功能加速器。

Dec, 2023