Jun, 2024

IGL-Bench: 建立不平衡图学习的综合基准

PDF
TL;DR为了解决不平衡图数据在传统图学习算法中所导致的偏颇结果问题，本研究引入了 IGL-Bench，它是一种用于不平衡图学习的全面基准测试工具，研究了 16 个不同的图数据集和 24 种不同的 IGL 算法，通过一致的数据处理和划分策略，系统地评估了 IGL 算法的效力、鲁棒性和效率，并展示了这些算法在不同不平衡条件下的潜在益处，为 IGL 领域的进一步研究提供了机会和启示。
发现论文，激发创造
  • IGB：填补公共图数据集中标签、特征、异质性和大小方面的空缺，用于深度学习研究

    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

  • 基于图的类别不平衡学习综述

    该论文探讨了图数据分析中类不平衡的学习问题，并提出了结合图表示学习与类不平衡学习的解决方案 - 类不平衡图学习 (CILG)，并介绍了现有工作的分类法和与不平衡学习文献的联系，同时还对 CILG 的最新工作进行了批判性分析和未来研究方向的讨论。

    Apr, 2023

  • ImGCL：针对不平衡节点分类的图对比学习重新审视

    本文提出了一种基于进步性平衡抽样（PBS）的图对比学习框架（ImGCL），该框架可以平衡无标签图数据的节点表示，并且在多个不平衡图数据集和不平衡设置上证明了其有效性。

    May, 2022

  • OpenGSL：图结构学习的全面基准

    这篇论文介绍了 OpenGSL，这是第一个全面的 Graph Structure Learning 基准，旨在通过评估出现在各种流行数据集，以及使用统一数据处理和分割策略的最新 GSL 方法之间的公平比较，缩小研究进展存在的差距。

    Jun, 2023

  • 图结构学习基准

    使用 20 个不同的图数据集和 16 个不同的 GSL 算法构建的全面图结构学习基准 (GSLB) 系统地分析了 GSL 的性能，并评估了前沿的 GSL 算法在节点级和图级任务中的表现，以及它们在鲁棒学习和模型复杂性方面的性能并提供了可视化的方法进行训练、评估和可视化不同的 GSL 方法。

    Oct, 2023

  • 面向图机器学习的数据集：Open Graph Benchmark

    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

  • 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

  • 关于图上不平衡学习的调查：问题、技术和未来方向

    这篇综述论文对不平衡图学习领域的文献进行了全面的回顾，提出了两个详尽的分类方法，并为读者建立了扎实的基础理解。该领域研究主要集中在图分析、数据不平衡以及相关的解决方法上，为读者在方法选择方面提供了指导，并展望了未来的研究方向以促进创新。

    Aug, 2023

  • GLEMOS: 即时图学习模型选择的基准

    通过设计高效的模型选择方法，研究了图学习模型的选择问题，并提供了一套全面的基准数据和评估环境用于评估模型在链接预测和节点分类等任务上的表现。

    Apr, 2024

  • BeGIN: 图连续学习的广泛基准场景和易于使用的框架

    本文介绍了一种针对图数据的持续学习方法，提供了标准的增量设置和基准测试场景，并使用 BeGin 框架对七种图像 CL 方法进行评估，其组合情况是最新基准测试的三倍。

    Nov, 2022