Neue Benchmarks für das Lernen auf nicht-homophilen Graphen

Viele Daten mit graphenartigen Strukturen erfüllen das Prinzip der Homophilie, was bedeutet, dass verbundene Knoten neigen dazu, sich in Bezug auf ein bestimmtes Attribut zu ähneln. Daher waren die üblichen Datensätze für Graphenmaschinelles Lernen im Allgemeinen stark homophil, was Methoden belohnt, die Homophilie als induktiven Bias nutzen. Kürzliche Arbeiten haben jedoch diese spezielle Ausrichtung hervorgehoben, da neue nicht-homophile Datensätze eingeführt und Graphendarstellungslernmodelle entwickelt wurden, die besser für Einstellungen mit geringer Homophilie geeignet sind. Diese Datensätze sind jedoch klein und wenig geeignet, um die Effektivität neuer Methoden in nicht-homophilen Einstellungen wirklich zu testen. Wir präsentieren eine Reihe verbesserte Graphendatensätze, bei denen die Beziehungen zwischen den Knotenlabels das Prinzip der Homophilie nicht erfüllen. Zusammen damit führen wir eine neue Maßeinheit für das Vorhandensein oder Fehlen von Homophilie ein, die in verschiedenen Regimen besser geeignet ist als bestehende Maße. Wir vergleichen eine Reihe einfacher Methoden und Graphenneuronalenetze über unsere vorgeschlagenen Datensätze und gewinnen dabei neue Erkenntnisse für weitere Forschungen. Die Daten und Codes können unter https://github.com/CUAI/Non-Homophily-Benchmarks gefunden werden.