南洋理工大学最新发布开源图神经网络基准

 

作者

 

介绍

 

最近的许多研究让我们看到了图形神经网络模型（GNN）的强大潜力，许多研究团队也在不断改进和构建基础模块。但大多数研究所使用的数据集都很小，如Cora和TU，在这种情况下，即使是非图神经网络的性能也相当可观。只有使用中等大小的数据集进行进一步比较，图形神经网络的优势才会变得明显。

 

在斯坦福图形神经网络bull Jure等人发布“开放图形基准”之后，又一项旨在构建“图形神经网络图像网”的研究应运而生。近日，来自南洋理工大学、洛约拉·马里蒙特大学、蒙特利尔大学、米兰大学等机构的论文已提交到该平台的预印本上，这项新的研究得到了深造先锋Yoshua Bengio的参与，也得到了Yann LeCun的关注。

 

在该研究中，作者同时介绍了六个中型基准数据集（12k-70k图，8-500节点），并测试了一些有代表性的图神经网络。除了只使用节点特征的基线模型外，图神经网络还分为两类，有无边对边注意。GNN研究界一直在寻找一个共同的基准来评估新模型的能力，这个工具可以让我们实现我们的目标。

 

方法

 

 

这项工作的目标之一是提供一个易于使用的中型数据集，在这个数据集上，过去几年提出的不同GNN体系结构的性能有着显著的不同。同时，从统计角度来看，这些差异相当显著。基准包含6个数据集，如表1所示