그래프 분류를 위한 그래프 신경망의 공정한 비교

실험 재현성과 재복제 가능성은 머신러닝 분야에서 중요한 주제이다. 연구자들은 과학적 논문에서 이러한 요소의 부족이 연구 품질을 저하시킨다고 자주 지적해왔다. 최근 그래프 표현 학습 분야는 광범위한 연구 공동체의 관심을 끌며 대량의 연구 결과를 만들어냈다. 이에 따라 그래프 분류 문제를 효과적으로 해결하기 위한 여러 그래프 신경망(GNN) 모델이 개발되었다. 그러나 실험 절차는 종종 엄격성이 부족하고 재현이 거의 불가능한 경우가 많다. 이러한 문제에 힘입어, 최신 기술과 공정하게 비교하기 위해 피해야 할 일반적인 관행들을 종합적으로 제시한다. 이러한 문제를 해결하기 위해, 우리는 통제되고 일관된 프레임워크 내에서 47,000회 이상의 실험을 수행하여 9개의 대표적인 벤치마크에서 다섯 가지 인기 있는 모델을 재평가하였다. 또한 GNN 모델과 구조 무관 기반 모델을 비교함으로써, 일부 데이터셋에서는 여전히 구조 정보가 제대로 활용되지 않았음을 설득력 있게 입증하였다. 본 연구가 그래프 학습 분야의 발전에 기여할 수 있을 것으로 기대하며, 그래프 분류 모델에 대한 엄격한 평가를 위한 필수적인 기반을 제공할 수 있을 것이다.