Buchumschlag

A critical look at the evaluation of GNNs under heterophily: Are we really making progress?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Platonov, Oleg, Kuznedelev, Denis, Diskin, Michael, Babenko, Artem, Prokhorenkova, Liudmila
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Characterizing Graph Datasets for Node Classification: Homophily-Heterophily Dichotomy and Beyond
von: Platonov, Oleg, et al.
Veröffentlicht: (2022)

GraphPFN: A Prior-Data Fitted Graph Foundation Model
von: Eremeev, Dmitry, et al.
Veröffentlicht: (2025)

Turning Tabular Foundation Models into Graph Foundation Models
von: Eremeev, Dmitry, et al.
Veröffentlicht: (2025)

Cluster Attention for Graph Machine Learning
von: Platonov, Oleg, et al.
Veröffentlicht: (2026)

GraphLand: Evaluating Graph Machine Learning Models on Diverse Industrial Data
von: Bazhenov, Gleb, et al.
Veröffentlicht: (2024)

Metropolis-Scale Road Network Datasets for Fine-Grained Urban Traffic Modeling
von: Velikonivtsev, Fedor, et al.
Veröffentlicht: (2025)

Measuring Diversity: Axioms and Challenges
von: Mironov, Mikhail, et al.
Veröffentlicht: (2024)

Discrete Neural Algorithmic Reasoning
von: Rodionov, Gleb, et al.
Veröffentlicht: (2024)

Extreme Compression of Large Language Models via Additive Quantization
von: Egiazarian, Vage, et al.
Veröffentlicht: (2024)

Revisiting Graph Homophily Measures
von: Mironov, Mikhail, et al.
Veröffentlicht: (2024)

Challenges of Generating Structurally Diverse Graphs
von: Velikonivtsev, Fedor, et al.
Veröffentlicht: (2024)

Unveiling the Role of Data Uncertainty in Tabular Deep Learning
von: Kartashev, Nikolay, et al.
Veröffentlicht: (2025)

TabM: Advancing Tabular Deep Learning with Parameter-Efficient Ensembling
von: Gorishniy, Yury, et al.
Veröffentlicht: (2024)

EvoPress: Accurate Dynamic Model Compression via Evolutionary Search
von: Sieberling, Oliver, et al.
Veröffentlicht: (2024)

On Finetuning Tabular Foundation Models
von: Rubachev, Ivan, et al.
Veröffentlicht: (2025)

Benchmarking Optimizers for MLPs in Tabular Deep Learning
von: Gorishniy, Yury, et al.
Veröffentlicht: (2026)

TabReD: Analyzing Pitfalls and Filling the Gaps in Tabular Deep Learning Benchmarks
von: Rubachev, Ivan, et al.
Veröffentlicht: (2024)

TabDDPM: Modelling Tabular Data with Diffusion Models
von: Kotelnikov, Akim, et al.
Veröffentlicht: (2022)

Do we really need the Rademacher complexities?
von: Bartl, Daniel, et al.
Veröffentlicht: (2025)

Are we making progress in unlearning? Findings from the first NeurIPS unlearning competition
von: Triantafillou, Eleni, et al.
Veröffentlicht: (2024)

Scale-wise Distillation of Diffusion Models
von: Starodubcev, Nikita, et al.
Veröffentlicht: (2025)

The Iterative Optimal Brain Surgeon: Faster Sparse Recovery by Leveraging Second-Order Information
von: Wu, Diyuan, et al.
Veröffentlicht: (2024)

Are we making much progress? Revisiting chemical reaction yield prediction from an imbalanced regression perspective
von: Ma, Yihong, et al.
Veröffentlicht: (2024)

Direct Molecular Polarizability Prediction with SO(3) Equivariant Local Frame GNNs
von: Filling, Jean Philip, et al.
Veröffentlicht: (2025)

Talking Trees: Reasoning-Assisted Induction of Decision Trees for Tabular Data
von: Yakushev, George, et al.
Veröffentlicht: (2025)

PV-Tuning: Beyond Straight-Through Estimation for Extreme LLM Compression
von: Malinovskii, Vladimir, et al.
Veröffentlicht: (2024)

Cache Me If You Must: Adaptive Key-Value Quantization for Large Language Models
von: Shutova, Alina, et al.
Veröffentlicht: (2025)

KV Cache Offloading for Context-Intensive Tasks
von: Bocharnikov, Andrey, et al.
Veröffentlicht: (2026)

Geometric GNNs for Charged Particle Tracking at GlueX
von: Mohammed, Ahmed Hossam, et al.
Veröffentlicht: (2025)

Label Privacy in Split Learning for Large Models with Parameter-Efficient Training
von: Zmushko, Philip, et al.
Veröffentlicht: (2024)

Self-Supervised Learning for Covariance Estimation
von: Diskin, Tzvi, et al.
Veröffentlicht: (2024)

Verifying Quantized GNNs With Readout Is Decidable But Highly Intractable
von: Chernobrovkin, Artem, et al.
Veröffentlicht: (2025)

Classic GNNs are Strong Baselines: Reassessing GNNs for Node Classification
von: Luo, Yuankai, et al.
Veröffentlicht: (2024)

Never Skip a Batch: Continuous Training of Temporal GNNs via Adaptive Pseudo-Supervision
von: Panyshev, Alexander, et al.
Veröffentlicht: (2025)

Locality-Aware Graph-Rewiring in GNNs
von: Barbero, Federico, et al.
Veröffentlicht: (2023)

Understanding GNNs and Homophily in Dynamic Node Classification
von: Ito, Michael, et al.
Veröffentlicht: (2025)

Towards Precise Prediction Uncertainty in GNNs: Refining GNNs with Topology-grouping Strategy
von: Seo, Hyunjin, et al.
Veröffentlicht: (2024)

Residual Connections and Normalization Can Provably Prevent Oversmoothing in GNNs
von: Scholkemper, Michael, et al.
Veröffentlicht: (2024)

Optimizing Online Advertising with Multi-Armed Bandits: Mitigating the Cold Start Problem under Auction Dynamics
von: Soboleva, Anastasiia, et al.
Veröffentlicht: (2025)

On the Scalability of GNNs for Molecular Graphs
von: Sypetkowski, Maciej, et al.
Veröffentlicht: (2024)