GLEMOS: 即时图学习模型选择的基准
内容提要
本文介绍了图结构学习基准（GSLB），评估了多种GSL算法在节点和图级任务中的表现，提出了动态异构学术图数据集以改善模型评估，并展示了OpenGSL和AutoGL等工具的应用，强调了在动态图中进行有效学习和推理的挑战。
延伸解读
动态图评估的挑战与进展
文章指出，传统静态同构图数据集存在局限性，难以评估模型在动态图中的学习和推理能力。为此，研究者提出了动态异构学术图数据集，并开发了Temporal Graph Benchmark，涵盖社交、贸易、交通等领域的大规模时间图。这些工作旨在实现现实、可重复和强大的评估，并发现简单方法在动态节点属性预测上常优于现有时间图模型。
基准工具与自动化
为了公平比较图结构学习（GSL）方法，OpenGSL作为首个全面基准，统一了数据处理和分割策略。AutoGL则是首个自动机器学习图形库，包含自动特征工程、模型训练、超参数优化和自动集成四个模块，提供灵活API。这些工具降低了研究门槛，促进了可重复研究。
模型性能与效率优化
文章提到，通过智能减少计算成本，可以在保持基准可靠性的同时将计算量降低100倍以上。GLEMIML框架利用图标签增强，在多实例多标签分类中取得了优于SOTA方法的结果（AvgRank 1.44 vs 2.92）。UGSL框架将现有模型重构为单一模型，分析了不同组件的有效性，揭示了各种方法的优缺点。
Q&A
GSLB是什么，它的主要功能是什么？
GSLB是图结构学习基准，使用20个图数据集和16个GSL算法评估GSL性能，提供训练、评估和可视化的方法。
动态异构学术图数据集的提出有什么意义？
动态异构学术图数据集旨在改善模型评估，解决传统静态同构图数据集的局限性，提升模型在动态图中的表现。
OpenGSL与其他GSL方法的比较有什么优势？
OpenGSL通过统一数据处理和分割策略，提供公平比较，缩小研究进展的差距，是第一个全面的GSL基准。
AutoGL包含哪些模块，它的功能是什么？
AutoGL包含自动特征工程、模型训练、超参数优化和自动集成四个模块，提供自动化的机器学习流程。
GLEMIML框架如何提高分类性能？
GLEMIML通过建立图识别实例之间的相关性，利用非线性映射恢复标签的重要性，从而提高分类性能。
伊利诺伊图基准（IGB）有什么特点？
IGB是用于培训和评估GNN模型的工具，提供大量标记数据和灵活性，适用于多种GNN体系结构的研究。
