UGSL: A Unified Framework for Benchmarking Graph Structure Learning

要約

グラフ ニューラル ネットワーク (GNN) は、幅広いアプリケーションで優れたパフォーマンスを発揮します。
GNN アプリケーションの大部分はグラフ構造が与えられていることを前提としていますが、最近のいくつかの手法では、グラフ構造が明示的に提供されていない場合でも GNN が効果的である可能性があることを示すことで、GNN の適用可能性が大幅に拡張されました。
GNN パラメータとグラフ構造は共同して学習されます。
これまでの研究では異なる実験設定が採用されており、その利点を比較することが困難でした。
この論文では、統一フレームワークを使用したグラフ構造学習のベンチマーク戦略を提案します。
Unified Graph Structure Learning (UGSL) と呼ばれる私たちのフレームワークは、既存のモデルを単一のモデルに再定式化します。
私たちはフレームワークに既存のモデルを幅広く実装し、フレームワーク内のさまざまなコンポーネントの有効性について広範な分析を実施しています。
私たちの結果は、この分野のさまざまな方法とその長所と短所を明確かつ簡潔に理解することを提供します。
ベンチマーク コードは https://github.com/google-research/google-research/tree/master/ugsl で入手できます。

要約(オリジナル)

Graph neural networks (GNNs) demonstrate outstanding performance in a broad range of applications. While the majority of GNN applications assume that a graph structure is given, some recent methods substantially expanded the applicability of GNNs by showing that they may be effective even when no graph structure is explicitly provided. The GNN parameters and a graph structure are jointly learned. Previous studies adopt different experimentation setups, making it difficult to compare their merits. In this paper, we propose a benchmarking strategy for graph structure learning using a unified framework. Our framework, called Unified Graph Structure Learning (UGSL), reformulates existing models into a single model. We implement a wide range of existing models in our framework and conduct extensive analyses of the effectiveness of different components in the framework. Our results provide a clear and concise understanding of the different methods in this area as well as their strengths and weaknesses. The benchmark code is available at https://github.com/google-research/google-research/tree/master/ugsl.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google