Core Concepts
Standard-GNNs übertreffen spezialisierte Modelle bei der Bewertung unter Heterophilie.
Abstract
Einleitung:
GNNs erzielen starke Ergebnisse auf Graphen.
Homophilie und Heterophilie in Netzwerken.
Probleme mit beliebten heterophilen Datensätzen:
Squirrel und Chameleon haben Duplikate, die zu Datenlecks führen.
Entfernen von Duplikaten beeinflusst die Modellleistung.
Neue heterophile Datensätze:
Roman Empire, Amazon-Ratings, Minesweeper, Tolokers, Questions.
Vergleich von Algorithmen:
Standard-GNNs übertreffen spezialisierte Modelle.
Schlussfolgerung:
Standard-GNNs sind effektiver bei der Bewertung unter Heterophilie.
Stats
"Die Duplikate in Squirrel und Chameleon führen zu einem Train-Test-Datenleck."
"Die Modelle verlassen sich auf Datenlecks, um starke Ergebnisse zu erzielen."
"Die Entfernung von Duplikaten beeinflusst die Leistung der GNNs."
Quotes
"Der Fortschritt in der Lernfähigkeit unter Heterophilie war größtenteils illusorisch."
"Standard-GNNs übertreffen spezialisierte Modelle."