【KDD2021】重思考异构图神经网络

1.论文名称：Are we really making much progress? Revisiting, benchmarking, and refining heterogeneous graph neural networks 论文链接：http://keg.cs.tsinghua.edu.cn/jietang/publications/KDD21-Lv-et-al-HeterGNN.pdf 近年来，异构图神经网络 (HGNN) 蓬勃发展，但每项工作使用的独特数据处理和评估设置阻碍了对其进步的全面了解。在这项工作中，我们使用官方代码、数据集、设置和超参数系统地再现了 12 个最近的 HGNN，揭示了有关 HGNN 进展的惊人发现。我们发现简单的同构 GNN，例如 GCN 和 GAT，由于设置不当而在很大程度上被低估了。具有适当输入的 GAT 通常可以在各种场景中匹配或优于所有现有的 HGNN。为了促进稳健和可重复的 HGNN 研究，我们构建了异构图基准 (HGB)1，由 11 个不同的数据集和三个任务组成。HGB 标准化了异构图数据拆分、特征处理和性能评估的过程。最后，我们引入了一个简单但非常强大的基线 Simple-HGN——它在 HGB 上明显优于之前的所有模型——以加速 HGNNs 在未来的进步。