GRAN is superior to GraphRNN: node orderings, kernel- and graph embeddings-based metrics for graph generators

要約

グラフのさまざまな生成モデルが提案されています。
これらは、創薬、道路ネットワーク、ニューラル アーキテクチャの検索、およびプログラム合成に使用されます。
グラフの生成には、同型表現などの理論的な課題があり、生成モデルのパフォーマンスを評価するのは困難です。
アプリケーションドメインに応じてどのモデルを選択すればよいでしょうか?
私たちは、グラフ不変量の分布に関するカーネルベースのメトリックと、グラフ埋め込み空間における多様体ベースおよびカーネルベースのメトリックを幅広く研究しています。
マニホールドベースのメトリクスは、埋め込み空間においてカーネルベースのメトリクスよりも優れたパフォーマンスを発揮します。
これらのメトリクスを使用して、グラフの 2 つのよく知られた生成モデルである GraphRNN と GRAN を比較し、ノードの順序付けの影響を明らかにします。
これは、GRAN が GraphRNN よりも優れていることを示しています。さらに、深さ優先の検索順序を使用した GraphRNN の提案された適応は、小さなサイズのグラフに効果的です。
データセットの選択とノード機能の初期化に関する優れた実践方法に関するガイドラインが提供されます。
私たちの仕事には、オープンソース コードと再現可能な実験が伴います。

要約(オリジナル)

A wide variety of generative models for graphs have been proposed. They are used in drug discovery, road networks, neural architecture search, and program synthesis. Generating graphs has theoretical challenges, such as isomorphic representations — evaluating how well a generative model performs is difficult. Which model to choose depending on the application domain? We extensively study kernel-based metrics on distributions of graph invariants and manifold-based and kernel-based metrics in graph embedding space. Manifold-based metrics outperform kernel-based metrics in embedding space. We use these metrics to compare GraphRNN and GRAN, two well-known generative models for graphs, and unveil the influence of node orderings. It shows the superiority of GRAN over GraphRNN – further, our proposed adaptation of GraphRNN with a depth-first search ordering is effective for small-sized graphs. A guideline on good practices regarding dataset selection and node feature initialization is provided. Our work is accompanied by open-source code and reproducible experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google