GNN基准测试：评估图神经网络性能的新框架

"这篇文档是关于2020年图神经网络(GNN)的综述，重点关注了在GNN领域的基准测试。随着GNN在处理图数据中的广泛应用，建立一个一致的实验设置来评估新模型的性能变得越来越重要。文章提出了一种可复现的GNN基准测试框架，便于研究者在不同数据集上测试新模型。通过对比Weisfeiler-Lehman GNN (WL-GNN)和图卷积网络(GCN)，在图回归/分类和节点/链路预测等任务上进行比较，使用中等规模的数据集。" 正文: 图神经网络（GNN）是现代数据分析领域中的一个重要工具，特别是在处理复杂结构如社交网络、分子结构、知识图谱等问题时。GNN的兴起源于其独特的性质，能够处理非欧几里得数据，并从图结构中提取特征。随着GNN的不断演进，研究人员需要一种方法来评估和比较新模型的有效性，尤其是在面对大规模和复杂数据集时。 传统上，GNN可以分为三个类别：一是将卷积神经网络的概念扩展到图数据；二是引入了如注意力机制和门控结构的各向异性操作；三是针对前两类模型的理论局限性进行了改进，提高了区分非同构图和自守节点的能力。然而，现有的评估方法主要集中在小型数据集上，如Cora、Citeseer和TU，这些数据集可能不足以充分测试GNN的性能和泛化能力。 为了解决这个问题，文章提出了一种新的GNN基准测试框架，该框架允许研究者在任意数据集上便捷地测试新模型。这种框架对于理解不同类型的架构、第一性原理或机制在应对更大、更复杂数据集时的性能至关重要。基准测试对于推动研究进步、揭示核心思想以及解决特定领域问题具有显著作用。作者引用了ImageNet挑战赛在深度学习发展中的重要作用，强调了创建有效基准的挑战性和价值。 通过对比WL-GNN和GCN，研究者可以在图任务上进行深入的比较，包括图的分类和回归，以及节点和链路的预测。这些任务的评估有助于识别在复杂情况下的模型优势和不足。中等规模的数据集使得结果更具代表性，能够更好地反映出模型在真实世界应用中的表现。 这篇文章呼吁并提供了一种系统的方法来测试和比较GNN模型，特别是在面对更大数据集时的性能。通过这样的基准测试，研究者可以更好地理解哪些模型架构和技术是真正具有普适性和扩展性的，这对于推动图机器学习领域的发展至关重要。同时，这也为其他领域的研究者提供了参考，帮助他们在各自的领域内设计和应用更强大的图学习模型。