![d151366860996fd695abe4837b05be1f.png](https://i-blog.csdnimg.cn/blog_migrate/f1da58a1648c564745fc4a92cf82b23d.jpeg)
作者 | 李光明
编辑 | 贾 伟
编者注:本文解读论文与我们曾发文章《Bengio 团队力作:GNN 对比基准横空出世,图神经网络的「ImageNet」来了》所解读论文,为同一篇,不同作者,不同视角。一同参考。
近些年,图神经网络(GNN)的关注度越来越高,相关的算法也越来越多,应用领域越来越广,其面临的两大基础问题是:
1)构建GNN的第一原则和第一要素是什么?使用什么样的架构能够使得GNN在大数据集上同样拥有泛化能力和扩展性?
2)如何研究和量化不同 GNN 的影响?
基准框架(Benchmarking)是解决这些基础问题的强大工具。比如,著名的2012 ImageNet 竞赛提供了基准的图像数据集,引来各国参赛队伍争相产出最好的图像分类模型,直接促进了深度学习在计算机视觉领域的变革。
但设计成功的基准库面临着很多挑战:合适的数据集,鲁棒性的代码接口,以及公平的实验设置,并且要求结果可复现。现有的GNN模型常用的数据集(CORA和TU)都很小,导致大多数GNN模型产出几乎一样的结果,即使没有引入图结构的神经网络,有时都能表现地比GNN好。此外,实验参数的设置,包括超参,损失函数以及学习率的选择,都是构建基准库需要面临的挑战。
![e706025fc2f72b649ad5bef842a3a9b5.png](https://i-blog.csdnimg.cn/blog_migrate/7120a481e7891aac71d9914244694bf3.jpeg)
论文链接:
https://arxiv.org/pdf/2003.00982.pdf
开源链接:
https://github.com/graphdeeplearning/benchmarking-gnns
近期,南洋理工大学的Vijay等人(Yoshua Bengio 也在作者之列)发表了一篇GNN基准论文,提出了图神经网络的新基准。文章本身做了以下几点贡献:
1)基于PyTorch和DGL库在Github上开源了一个使用者友好的GNN基准库( https://github.com/graphdeeplearning/benchmarking-gnns );
2)提出了一些中等规模的数据集(9-500个节点),涵盖了数学建模,计算机视觉,组合优化,以及化学等领域;
3)利用基准库验证了GNN中重要组件的有效性,包括图卷积,异性扩散,残差连接,标准化层等;
4)受限于超参寻找的代价,本文并非试图比较各种GNN模型,而是固定一组参数设定,