グラフ分類におけるグラフニューラルネットワークの公平な比較

機械学習分野における実験の再現性と再現可能性は、極めて重要な課題である。研究者たちは、科学的論文におけるこれらの欠如が分野の質を低下させると指摘しており、その改善に向けた懸念を繰り返し表明している。近年、グラフ表現学習分野は広範な研究コミュニティの注目を集め、多くの研究が生み出された。その結果、グラフ分類問題に対して効果的に対処できる複数のグラフニューラルネットワーク（GNN）モデルが開発された。しかし、実験的手順はしばしば厳密さに欠け、再現が困難な場合が多い。このような状況に鑑み、最先端の手法と公平に比較するためには避けなければならない一般的な実践についての概観を提供する。この問題に対処するため、9つの一般的なベンチマーク上で5つの代表的なモデルを再評価するため、制御された統一されたフレームワークのもとで47,000を超える実験を実施した。さらに、GNNモデルと構造に依存しないベースラインモデルを比較することで、いくつかのデータセットにおいて構造情報がまだ十分に活用されていないことを明確な証拠で示した。本研究が、グラフ学習分野の発展に貢献するとともに、グラフ分類モデルに対する厳密な評価の基盤を提供できることを期待している。