Classification de Noeud sur Graphes Non-Homophiles (Hétérophiles)
La tâche de classification des nœuds dans les graphes non homophiles (graphes hétérophiles) vise à évaluer la performance des modèles spécifiquement conçus pour des ensembles de données hétérogènes. Cette tâche se concentre sur des graphes où les arêtes entre différentes classes sont plus fréquentes que les arêtes au sein de la même classe. Par le biais de tests systématiques et d'analyses, elle met en lumière les différences de performance des modèles lorsqu'ils traitent des graphes hétérophiles, offrant des références cruciales pour l'optimisation des réseaux neuronaux de graphes.
Cornell (60%/20%/20% random splits)
ACMII-GCN
Wisconsin(60%/20%/20% random splits)
ACM-GCN++
Texas(60%/20%/20% random splits)
Chameleon(60%/20%/20% random splits)
ACM-GCN+
Chameleon (48%/32%/20% fixed splits)
Squirrel (48%/32%/20% fixed splits)
Penn94
Deezer-Europe
ACMII-GCN+++
Cornell (48%/32%/20% fixed splits)
Film(48%/32%/20% fixed splits)
genius
ClenshawGCN
twitch-gamers
Wisconsin (48%/32%/20% fixed splits)
O(d)-NSD
Texas (48%/32%/20% fixed splits)
Pubmed