Großes Lernen auf nicht-homophilen Graphen: Neue Benchmarks und starke einfache Methoden

Viele weit verbreitete Datensätze für maschinelles Lernen auf Graphen waren bisher im Allgemeinen homophil, bei denen Knoten mit ähnlichen Etiketten miteinander verbunden sind. Kürzlich wurden neue Graph-Neuronale Netze (GNNs) entwickelt, die den Bereich der Homophilie überschreiten; ihre Bewertung wurde jedoch oft an kleinen Graphen durchgeführt, die nur begrenzte Anwendungsbereiche abdecken. Wir sammeln und stellen vielfältige nicht-homophile Datensätze aus verschiedenen Anwendungsbereichen vor, die bis zu 384-mal mehr Knoten und 1398-mal mehr Kanten als frühere Datensätze aufweisen. Darüber hinaus zeigen wir, dass bestehende skalierbare Methoden des maschinellen Lernens auf Graphen und Minibatch-Techniken zu Leistungsverlusten bei diesen nicht-homophilen Datensätzen führen, was die Notwendigkeit weiterer Arbeiten an skalierbaren nicht-homophilen Methoden unterstreicht. Um diese Bedenken zu adressieren, führen wir LINKX ein – eine starke und einfache Methode, die eine direkte Minibatch-Bildung und -Inferenz ermöglicht. Ausführliche experimentelle Ergebnisse mit repräsentativen einfachen Methoden und GNNs über unsere vorgeschlagenen Datensätze zeigen, dass LINKX den aktuellen Stand der Technik in Bezug auf das Lernen auf nicht-homophilen Graphen erreicht. Unsere Codes und Daten sind unter https://github.com/CUAI/Non-Homophily-Large-Scale verfügbar.