Search for the UGLE Truth: An Investigation into Unsupervised GNN Learning Environments

要約

タイトル：Unsupervised GNN Learning Environmentの調査：UGLE Truthの探索

要約：
– グラフニューラルネットワーク（GNN）は、グラフ構造上での関数学習が可能であるため、機械学習のあらゆるタスクに対して重要なツールである。
– コミュニティの検出は、GNNを用いた手法が広く用いられるようになってきた。
– ノードの特徴量の多次元性とグラフの接続性を利用して、グラフ上のノードをクラスタリングすることは、社会ネットワークからゲノムまでの実世界のタスクに多くの応用がある。
– しかし、GNNに基づいたコミュニティ検出のための十分なベンチマーク環境が確立されておらず、実験設定やパフォーマンス指標に関しての混乱が生じている。
– 本研究では、GNNを使用したコミュニティ検出アルゴリズムの一貫した比較フレームワークを提案・評価し、実験設定に強く依存するパフォーマンスの低下を明らかにした。
– この研究は、UGLE Truthの探索により、コミュニティ検出における一貫した研究を促進するためのフレームワークの必要性を示している。

要約(オリジナル)

Graph Neural Networks (GNNs) are a pertinent tool for any machine learning task due to their ability to learn functions over graph structures, a powerful and expressive data representation. The detection of communities, an unsupervised task has increasingly been performed with GNNs. Clustering nodes in a graph using the multi-dimensionality of node features with the connectivity of the graph has many applications to real world tasks from social networks to genomics. Unfortunately, there is currently a gap in the literature with no established sufficient benchmarking environment for fairly and rigorously evaluating GNN based community detection, thereby potentially impeding progress in this nascent field. We observe the particular difficulties in this setting is the ambiguous hyperparameter tuning environments combined with conflicting metrics of performance and evaluation datasets. In this work, we propose and evaluate frameworks for the consistent comparisons of community detection algorithms using GNNs. With this, we show the strong dependence of the performance to the experimental settings, exacerbated by factors such as the use of GNNs and the unsupervised nature of the task, providing clear motivation for the use of a framework to facilitate congruent research in the field.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI