每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

GraphLand：评估不同工业数据上的图形机器学习模型

Created by
  • Haebom

作者

格列布·巴热诺夫、奥列格·普拉东诺夫、柳德米拉·普罗霍连科娃

GraphLand：面向工业应用的节点属性预测基准

大纲

本文介绍了 GraphLand，这是一个利用来自各行各业的真实图数据进行节点属性预测的全新基准测试。GraphLand 包含 14 个大小、结构特征和特征集各异的图数据集。我们通过模拟真实的工业环境来比较图神经网络 (GNN) 和梯度提升决策树 (GBDT) 模型的性能。此外，我们还展示了现有基于图的模型的局限性，并研究了时间分布变化对模型性能的影响。

Takeaways, Limitations

•
Takeaways：
◦
提供包含各个行业图形数据的新基准：GraphLand 提供了一个广泛评估节点属性预测模型性能的环境。
◦
GNN 和 GBDT 模型的比较：我们证明，在工业环境中广泛使用的 GBDT 模型可以通过利用基于图的特征与 GNN 相媲美或超越 GNN。
◦
__T653029_____ 基于图的模型的提议：我们证明现有的基于图的模型无法在所提出的数据集上产生有竞争力的结果，凸显了模型改进的必要性。
◦
时间分布变化研究：分析实际工业环境中可能发生的时间变化对模型性能的影响。
•
Limitations：
◦
数据集数量有限：14 个数据集代表了广泛的行业，但可能无法涵盖所有​​可能的情况。
◦
专注于特定模型：专注于GNN和GBDT模型，缺乏其他类型基于图的模型的性能比较。
◦
普遍性：需要进一步研究以确定特定数据集的结果是否可以应用于其他行业或其他类型的图形数据。
👍
Made with Slashpage