Graphtester: Exploring Theoretical Boundaries of GNNs on Graph Datasets

要約

グラフ ニューラル ネットワーク (GNN) は、グラフ構造のデータから学習するための強力なツールとして登場しました。
ただし、最先端のアーキテクチャであっても、区別できる構造には制限があり、ネットワークがさまざまなデータセットで達成できる内容に理論的な制限が課せられます。
このペーパーでは、さまざまなデータセット、タスク、スコアに対する GNN の理論的機能を包括的に分析するための Graphtester と呼ばれる新しいツールを提供します。
Graphtester を使用して 40 を超える異なるグラフ データセットを分析し、層の数に基づいてさまざまな GNN のパフォーマンスの上限を決定します。
さらに、このツールが位置ノード エンコーディングを使用するグラフ トランスフォーマーにも使用できることを示し、それによってその範囲を拡大します。
最後に、Graphtester によって生成された特徴が Graph Transformer などの実用的なアプリケーションに使用できることを実証し、位置エンコーディングなどのノードおよびエッジの特徴をベンチマークするための合成データセットを提供します。
このパッケージは、次の URL から無料で入手できます: https://github.com/meakbiyik/graphtester。

要約(オリジナル)

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 datasets. In this paper, we provide a new tool called Graphtester for a comprehensive analysis of the theoretical capabilities of GNNs for various datasets, tasks, and scores. We use Graphtester to analyze over 40 different graph datasets, determining upper bounds on the performance of various GNNs based on the number of layers. Further, we show that the tool can also be used for Graph Transformers using positional node encodings, thereby expanding its scope. Finally, we demonstrate that features generated by Graphtester can be used for practical applications such as Graph Transformers, and provide a synthetic dataset to benchmark node and edge features, such as positional encodings. The package is freely available at the following URL: https://github.com/meakbiyik/graphtester.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google