HypBench：用于评估图神经网络性能的双曲基准测试工具

《IEEE Transactions on Neural Networks and Learning Systems》：HypBench: Hyperbolic Benchmark for Graph Neural Network Performance

　　

摘要：

图神经网络（GNNs）在预测图属性方面表现出色，应用范围从识别社交网络中的趋势到药物发现和恶意软件检测。随着新架构的涌现和复杂性的增加，GNNs在针对少数知名数据集进行测试时变得越来越专业化。然而，GNNs的性能如何依赖于图的拓扑结构和特征属性仍然是一个未解之谜。在这项工作中，我们提出了一个名为HypBench的图机器学习综合基准测试框架，重点关注GNNs在不同网络结构上的性能。通过使用双曲空间中的几何软配置模型，我们生成了具有真实拓扑属性和节点特征向量的合成网络。这种方法使我们能够评估网络属性（如拓扑特征相关性、度分布、局部三角形密度和同质性）对不同GNN架构效果的影响。我们的研究结果强调了模型性能依赖于网络结构与节点特征之间相互作用的重要性，为各种场景下的模型选择提供了见解。这项研究通过提供一个多功能的工具来评估GNNs，从而有助于根据特定数据特征开发和选择合适的模型，为该领域做出了贡献。