核心概念
Graphenbasierte Methoden zeigen Schwächen in der Vorhersagegenauigkeit im Vergleich zu MLPs aufgrund unzureichender Informationen in den Graphenstrukturen.
摘要
Graph Neural Networks (GNNs) werden in verschiedenen Bereichen eingesetzt, aber können durch Mängel in den Datensätzen überholt werden.
Die Evaluation von Fair Graph Learning Modellen ist oft auf schlecht konstruierte Datensätze beschränkt.
Frühere Datensätze zeigen, dass MLPs in einigen Fällen bessere Leistung und Fairness aufweisen als GNNs.
Unterschiedliche Early-Stopping-Strategien beeinflussen die Leistung und Fairness der Modelle.
Neue synthetische, semi-synthetische und real-world Datensätze werden vorgeschlagen, um die Bewertung fairer Graphenlernmodelle zu verbessern.
統計資料
Graph Neural Networks können durch Mängel in den Datensätzen überholt werden.
MLPs zeigen in einigen Fällen bessere Leistung und Fairness als GNNs.