IGL-Bench: Establishing the Comprehensive Benchmark for Imbalanced Graph Learning
Created by
- Haebom
Category
Empty
저자
Jiawen Qin, Haonan Yuan, Qingyun Sun, Lyujin Xu, Jiaqi Yuan, Pengfeng Huang, Zhaonan Wang, Xingcheng Fu, Hao Peng, Jianxin Li, Philip S. Yu
개요
불균형 그래프 데이터 분포 문제는 기존 그래프 학습 알고리즘의 효율성을 저해하여 편향된 결과를 초래합니다. 이러한 문제를 해결하기 위해 불균형 그래프 학습(IGL)이 주목받고 있지만, 일관된 실험 프로토콜과 공정한 성능 비교가 부족합니다. 본 논문에서는 16개의 다양한 그래프 데이터셋과 24개의 IGL 알고리즘을 사용하여 불균형 그래프 학습을 위한 포괄적인 벤치마크인 IGL-Bench를 제시합니다. IGL-Bench는 노드 레벨 및 그래프 레벨 작업에서 최첨단 IGL 알고리즘의 효과, 견고성 및 효율성을 체계적으로 조사하며, 클래스 불균형과 토폴로지 불균형을 고려합니다. 광범위한 실험을 통해 다양한 불균형 조건에서 IGL 알고리즘의 잠재적 이점을 보여주고, IGL 분야의 통찰력과 기회를 제공합니다. 또한, 재현 가능한 평가를 촉진하고 추가적인 혁신적인 연구를 고무하기 위해 오픈소스 통합 패키지를 개발했습니다 (https://github.com/RingBDStack/IGL-Bench).
시사점, 한계점
•
시사점:
◦
IGL 알고리즘의 효과, 견고성, 효율성에 대한 체계적인 비교 분석을 제공합니다.
◦
다양한 불균형 조건에서 IGL 알고리즘의 잠재적 이점을 실증적으로 보여줍니다.
◦
재현 가능한 연구를 위한 오픈소스 벤치마크 및 패키지를 제공합니다.
◦
IGL 분야의 미래 연구 방향을 제시합니다.
•
한계점:
◦
사용된 데이터셋과 알고리즘의 종류에 따라 일반화 성능이 제한될 수 있습니다.
◦
새로운 IGL 알고리즘이 지속적으로 개발됨에 따라 벤치마크 업데이트가 필요합니다.
◦
특정 유형의 불균형 그래프 데이터에 대한 편향이 존재할 가능성이 있습니다.
