Knotenklassifikation auf nicht-homophilen (heterophilen) Graphen
Die Aufgabe der Knotenklassifizierung in nicht-homophilen Graphen (heterophilen Graphen) besteht darin, die Leistung von Modellen zu bewerten, die speziell für heterogene Datensätze entwickelt wurden. Diese Aufgabe konzentriert sich auf Graphen, in denen Kanten zwischen verschiedenen Klassen häufiger vorkommen als Kanten innerhalb derselben Klasse. Durch systematische Tests und Analysen werden Unterschiede in der Leistung der Modelle bei der Bearbeitung heterophiler Graphen aufgedeckt, was wichtige Referenzpunkte für die Optimierung von Graph Neural Networks liefert.
Cornell (60%/20%/20% random splits)
ACMII-GCN
Texas(60%/20%/20% random splits)
Wisconsin(60%/20%/20% random splits)
ACM-GCN++
Chameleon(60%/20%/20% random splits)
ACM-GCN+
Chameleon (48%/32%/20% fixed splits)
Squirrel (48%/32%/20% fixed splits)
Deezer-Europe
ACMII-GCN+++
Penn94
Cornell (48%/32%/20% fixed splits)
Wisconsin (48%/32%/20% fixed splits)
O(d)-NSD
genius
ClenshawGCN
Texas (48%/32%/20% fixed splits)
twitch-gamers
Film(48%/32%/20% fixed splits)
Pubmed