When Heterophily Meets Heterogeneity: New Graph Benchmarks and Effective Methods

要約

現実世界のグラフの多くは、異質性と異質性の両方が存在するため、グラフ学習に課題が頻繁に発生します。
ただし、グラフ学習の既存のベンチマークは、多くの場合、同種親和性のある異種グラフ、または異種親和性のある同種グラフに焦点を当てており、異種親和性と異種親和性の両方のグラフでメソッドがどのように実行されるかを理解するのにギャップが残っています。
このギャップを埋めるために、グラフの異質性と異質性の両方の複雑さを統合する新しいグラフ ベンチマークである H2GB を紹介します。
私たちのベンチマークには、5 つのドメインにわたる 9 つの多様な現実世界のデータセット、28 のベースライン モデルの実装、および 26 のベンチマーク結果が含まれています。
さらに、モジュラー グラフ トランスフォーマー フレームワーク UnifiedGT と、この困難なベンチマークで優れた新しいモデル バリアント H2G フォーマーを紹介します。
マスクされたラベルの埋め込み、タイプ間の異質な注意、およびタイプ固有の FFN を統合することにより、H2G フォーマーはグラフの異質性と異質性に効果的に取り組みます。
H2GB の 26 のベースラインにわたる広範な実験により、異種異好性グラフ学習における現在のモデルの不十分な点が明らかになり、既存のソリューションに対する H2G フォーマーの優位性が実証されました。
ベンチマークとフレームワークは両方とも GitHub (https://github.com/junhongmit/H2GB) および PyPI (https://pypi.org/project/H2GB) で入手でき、ドキュメントは https://junhongmit で見つけることができます。
.github.io/H2GB/。

要約(オリジナル)

Many real-world graphs frequently present challenges for graph learning due to the presence of both heterophily and heterogeneity. However, existing benchmarks for graph learning often focus on heterogeneous graphs with homophily or homogeneous graphs with heterophily, leaving a gap in understanding how methods perform on graphs that are both heterogeneous and heterophilic. To bridge this gap, we introduce H2GB, a novel graph benchmark that brings together the complexities of both the heterophily and heterogeneity properties of graphs. Our benchmark encompasses 9 diverse real-world datasets across 5 domains, 28 baseline model implementations, and 26 benchmark results. In addition, we present a modular graph transformer framework UnifiedGT and a new model variant, H2G-former, that excels at this challenging benchmark. By integrating masked label embeddings, cross-type heterogeneous attention, and type-specific FFNs, H2G-former effectively tackles graph heterophily and heterogeneity. Extensive experiments across 26 baselines on H2GB reveal inadequacies of current models on heterogeneous heterophilic graph learning, and demonstrate the superiority of our H2G-former over existing solutions. Both the benchmark and the framework are available on GitHub (https://github.com/junhongmit/H2GB) and PyPI (https://pypi.org/project/H2GB), and documentation can be found at https://junhongmit.github.io/H2GB/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google