Graph Generative Models Evaluation with Masked Autoencoder

要約

近年、多数のグラフ生成モデル（GGM）が提案されています。
ただし、これらのモデルを評価することは、主に実際のグラフを正確に表す意味のあるグラフ機能を抽出するのが難しいため、かなりの課題のままです。
ノード度分布、クラスタリング係数、ラプラシアンスペクトルなどのグラフ統計的特性に依存する従来の評価手法は、ノード機能を見落とし、スケーラビリティを欠いています。
グラフランダムニューラルネットワークまたはグラフ機能を抽出するための対照学習を採用する新たに提案されたディープラーニングベースの方法があり、従来の統計的方法と比較して優れたパフォーマンスを実証しますが、それらの実験結果は、これらの方法が常に異なるメトリックにわたって常にうまく機能しないことを示しています。
これらのメトリックには重複がありますが、一般に交換可能ではなく、それぞれが異なる視点から生成モデルを評価します。
この論文では、GGM評価のためにグラフ機能を効果的に抽出するためにグラフマスクされた自動エンコーダーを活用する新しい方法を提案します。
グラフで広範な実験を実施し、「FR \ ‘Echet距離（FD）」や「MMD Linear」など、多くのGGM評価メトリックにわたって以前に提案された方法よりも信頼性が高く効果的であることを経験的に実証します。
ただし、すべてのメトリックとデータセットで一貫して際立っている単一の方法はありません。
したがって、この研究は、特に生成モデルの最近の進歩に照らして、GGM評価技術に関連する重要性と課題に対する認識を高めることも目的としています。

要約(オリジナル)

In recent years, numerous graph generative models (GGMs) have been proposed. However, evaluating these models remains a considerable challenge, primarily due to the difficulty in extracting meaningful graph features that accurately represent real-world graphs. The traditional evaluation techniques, which rely on graph statistical properties like node degree distribution, clustering coefficients, or Laplacian spectrum, overlook node features and lack scalability. There are newly proposed deep learning-based methods employing graph random neural networks or contrastive learning to extract graph features, demonstrating superior performance compared to traditional statistical methods, but their experimental results also demonstrate that these methods do not always working well across different metrics. Although there are overlaps among these metrics, they are generally not interchangeable, each evaluating generative models from a different perspective. In this paper, we propose a novel method that leverages graph masked autoencoders to effectively extract graph features for GGM evaluations. We conduct extensive experiments on graphs and empirically demonstrate that our method can be more reliable and effective than previously proposed methods across a number of GGM evaluation metrics, such as ‘Fr\’echet Distance (FD)’ and ‘MMD Linear’. However, no single method stands out consistently across all metrics and datasets. Therefore, this study also aims to raise awareness of the significance and challenges associated with GGM evaluation techniques, especially in light of recent advances in generative models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google