PROXI: Challenging the GNNs for Link Prediction

要約

過去 10 年にわたり、グラフ ニューラル ネットワーク (GNN) はグラフ表現の学習を変革してきました。
広く採用されているメッセージ パッシング GNN フレームワークでは、ノードは隣接するノードからの情報を反復的に集約することで表現を改良します。
GNN はさまざまな分野で優れていますが、最近の理論研究ではその能力について懸念が生じています。
GNN は、このようなノード表現を利用してさまざまなグラフ関連のタスクに対処することを目的としていますが、この画一的なアプローチは多様なタスクに対して最適ではないことが判明しています。
これらの観察に基づいて、リンク予測タスクにおける現在の GNN モデルのパフォーマンスをより従来の直接的な方法と比較するための実証テストを実施します。
グラフ空間と属性空間の両方でノード ペアの近接情報を活用するモデル PROXI を導入すると、標準的な機械学習 (ML) モデルが競争力を発揮し、ノード近傍から導出されるこれらの近接メトリクスに適用すると、最先端の GNN モデルをも上回るパフォーマンスを発揮することがわかります。
そして属性。
これは、同親性ネットワークと異好性ネットワークの両方、さらには Open Graph Benchmark (OGB) のベンチマーク データセットを含む大小のベンチマーク データセットに当てはまります。
さらに、従来の GNN を PROXI で強化すると、リンク予測パフォーマンスが大幅に向上することを示します。
私たちの経験的発見は、前述の理論的観察を裏付けており、現在の GNN モデルにはその可能性を達成するための拡張の余地が十分に存在することを示唆しています。

要約(オリジナル)

Over the past decade, Graph Neural Networks (GNNs) have transformed graph representation learning. In the widely adopted message-passing GNN framework, nodes refine their representations by aggregating information from neighboring nodes iteratively. While GNNs excel in various domains, recent theoretical studies have raised concerns about their capabilities. GNNs aim to address various graph-related tasks by utilizing such node representations, however, this one-size-fits-all approach proves suboptimal for diverse tasks. Motivated by these observations, we conduct empirical tests to compare the performance of current GNN models with more conventional and direct methods in link prediction tasks. Introducing our model, PROXI, which leverages proximity information of node pairs in both graph and attribute spaces, we find that standard machine learning (ML) models perform competitively, even outperforming cutting-edge GNN models when applied to these proximity metrics derived from node neighborhoods and attributes. This holds true across both homophilic and heterophilic networks, as well as small and large benchmark datasets, including those from the Open Graph Benchmark (OGB). Moreover, we show that augmenting traditional GNNs with PROXI significantly boosts their link prediction performance. Our empirical findings corroborate the previously mentioned theoretical observations and imply that there exists ample room for enhancement in current GNN models to reach their potential.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google