Strengthening structural baselines for graph classification using Local Topological Profile

要約

【タイトル】Local Topological Profileを使用したグラフ分類の構造的なベースラインの強化

【要約】
– Local Degree Profile（LDP）は、グラフ分類の構造的なベースラインとして広く使われる手法の1つであり、その分析を提供する。
– 研究は、最近開発されたフェアな評価フレームワークの文脈でモデルの評価に焦点を当てており、グラフ分類のモデル選択と評価のための厳密なルーチンを定義し、結果の再現性と比較性を保証することになっている。
– 得られた知見に基づき、中心性指標とローカル頂点記述子を使用してLDPを拡張した新しいベースラインアルゴリズムであるLocal Topological Profile（LTP）を提案する。
– 新しい手法は、使用されるすべてのデータセットに対して、最新のGNNを上回るまたは非常に近い結果を提供する。
– これにより、グラフ表現学習で使用されるベンチマークのポートフォリオを拡大し、現代の大規模なデータセットを処理できるようにする。
– また、LDPベースの特徴抽出とモデル構築の計算的な側面を考慮し、実行速度と拡張性に影響を与える実用的な改善策を提案する。
– 結果として、わかりやすく、速く、スケーラブルでありながら、Graph Isomorphism Network（GIN）などの現代のグラフ分類モデルを上回ることができる堅牢なベースラインであるLTPを得る。

要約(オリジナル)

We present the analysis of the topological graph descriptor Local Degree Profile (LDP), which forms a widely used structural baseline for graph classification. Our study focuses on model evaluation in the context of the recently developed fair evaluation framework, which defines rigorous routines for model selection and evaluation for graph classification, ensuring reproducibility and comparability of the results. Based on the obtained insights, we propose a new baseline algorithm called Local Topological Profile (LTP), which extends LDP by using additional centrality measures and local vertex descriptors. The new approach provides the results outperforming or very close to the latest GNNs for all datasets used. Specifically, state-of-the-art results were obtained for 4 out of 9 benchmark datasets. We also consider computational aspects of LDP-based feature extraction and model construction to propose practical improvements affecting execution speed and scalability. This allows for handling modern, large datasets and extends the portfolio of benchmarks used in graph representation learning. As the outcome of our work, we obtained LTP as a simple to understand, fast and scalable, still robust baseline, capable of outcompeting modern graph classification models such as Graph Isomorphism Network (GIN). We provide open-source implementation at \href{https://github.com/j-adamczyk/LTP}{GitHub}.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI