특수 모형의 필요성 재검토
일반적인 그래프 신경망은 동질 그래프에서만 잘 작동하며 이질 그래프에는 별도 모형이 필요하다는 가정을 다뤘다. 원 연구는 그 판단에 사용된 표준 자료의 평가 신뢰성을 먼저 조사했다.
중복 노드의 영향
Squirrel과 Chameleon의 많은 중복 노드가 학습과 검사 자료 사이의 정보 누출을 만든다는 점을 보였다. 중복을 제거하면 이 자료에서의 그래프 신경망 성능이 크게 달라지는 결과를 제시했다.
새 조건에서의 비교
성질이 다양한 이질 그래프들을 더 나은 평가 자료로 제안했다. 해당 평가에서 일반적인 그래프 신경망이 특수 모형보다 강한 결과를 내는 경우를 조사해 자료와 비교 절차의 중요성을 보였다.
관련 문서
데이터 누출 / H2GCN / Geom-GCN / LINKX / ACM 적응 채널 혼합 / 벤치마크