Benchmarking Graph Neural Networks论文总结

代码：GitHub - graphdeeplearning/benchmarking-gnns: Repository for benchmarking graph neural networks

论文原文阅读总结：

用到图卷积的叫GCN，传统理论的叫GNN/WL-GNNs

一、Introduction

1、Message-passing GCN 效果要比经典WL-GNN好

2、GCN依赖稀疏矩阵，更省计算和内存

3、各向异性的GCN效果比各向同性的GCN效果好，边的特征的学习对事件节点的特征在信息传递中效果有很大提升。各向异性的模型值得研究

4、用拉普拉斯特征矩阵对图位置编码，能够克服GCN的低结构表达的理论限制，效果有明显提升

二、Benchmarking GNNS

1、Graph-agnostic NNs perform poorly.（MLP没有GNN表现好）

2、GCNs outperform WL-GNNs on the proposed datasets.（GCN比WL-GNN表现好）

3、Anisotropic mechanisms improve GCNs.（各向异性的机制可提升GCN）

4、3WL-GNNs perform the best among their class.（GNN里面3WL-GNN效果最好）

5、Laplacian eigenvectors as positional embeddings.

6、Edge representations improve link prediction.