Papers with Code · CC BY-SA 4.0

Penn94

아카이브 평가 32건 · 마지막 적재/변경 2026-10-30

평가 기록

과거 수집 기록이며 최신 순위가 아닙니다. 데이터셋 버전·split·실험 조건과 지표 방향이 검증되지 않은 결과는 직접 비교할 수 없습니다. 날짜는 논문 날짜이며 최신 평가일을 뜻하지 않습니다.

표가 화면보다 넓으면 좌우로 스크롤하여 논문과 구현 링크를 확인하세요.

원본 기록 순서 · 순위 미부여
모델	원본 지표·값	논문	구현
Dual-Net GNN	Accuracy 86.09±0.56	Feature Selection: Key to Enhance Node Classification with Graph Neural Networks 2023-01-25	코드 1
ACM-GCN++	Accuracy 86.08 ± 0.43	Revisiting Heterophily For Graph Neural Networks 2022-10-14	코드 1
ACMII-GCN++	Accuracy 85.95 ± 0.26	Revisiting Heterophily For Graph Neural Networks 2022-10-14	코드 1
GloGNN++	Accuracy 85.74±0.42	Finding Global Homophily in Graph Neural Networks When Meeting Heterophily 2022-05-15	코드 1
GloGNN	Accuracy 85.57 ± 0.35	Finding Global Homophily in Graph Neural Networks When Meeting Heterophily 2022-05-15	코드 1
GNNMoE(GCN-like P)	Accuracy 85.11±0.39	Mixture of Experts Meets Decoupled Message Passing: Towards General and Adaptive Node Classification 2024-12-11	코드 1
ACM-GCN+	Accuracy 85.05 ± 0.19	Revisiting Heterophily For Graph Neural Networks 2022-10-14	코드 1
ACMII-GCN+	Accuracy 84.95 ± 0.43	Revisiting Heterophily For Graph Neural Networks 2022-10-14	코드 1
DJ-GNN	Accuracy 84.84±0.34	Diffusion-Jump GNNs: Homophiliation via Learnable Metric Filters 2023-06-29	코드 1
NCGCN	Accuracy 84.74 ± 0.28	Clarify Confused Nodes via Separated Learning 2023-06-04	코드 1
LINKX	Accuracy 84.71 ± 0.52	Large Scale Learning on Non-Homophilous Graphs: New Benchmarks and Strong Simple Methods 2021-10-27	코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5
GNNMoE(SAGE-like P)	Accuracy 84.05±0.37	Mixture of Experts Meets Decoupled Message Passing: Towards General and Adaptive Node Classification 2024-12-11	코드 1
MixHop	Accuracy 83.47 ± 0.71	MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing 2019-04-30	코드 1 · 코드 2 · 코드 3
GCNII	Accuracy 82.92 ± 0.59	Simple and Deep Graph Convolutional Networks 2020-07-04	코드 1 · 코드 2 · 코드 3 · 코드 4
GCN	Accuracy 82.47 ± 0.27	Semi-Supervised Classification with Graph Convolutional Networks 2016-09-09	코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 · 코드 7 · 코드 8 · 코드 9 · 코드 10 · 코드 11 · 코드 12 · 코드 13 · 코드 14 · 코드 15 · 코드 16 · 코드 17 · 코드 18 · 코드 19 · 코드 20 · 코드 21 · 코드 22 · 코드 23 · 코드 24 · 코드 25 · 코드 26 · 코드 27 · 코드 28 · 코드 29 · 코드 30 · 코드 31 · 코드 32 · 코드 33 · 코드 34 · 코드 35 · 코드 36 · 코드 37 · 코드 38 · 코드 39 · 코드 40 · 코드 41 · 코드 42 · 코드 43 · 코드 44 · 코드 45 · 코드 46 · 코드 47 · 코드 48 · 코드 49 · 코드 50 · 코드 51 · 코드 52 · 코드 53 · 코드 54 · 코드 55
GNNMoE(GAT-like P)	Accuracy 81.98±0.47	Mixture of Experts Meets Decoupled Message Passing: Towards General and Adaptive Node Classification 2024-12-11	코드 1
NCSAGE	Accuracy 81.77 ± 0.71	Clarify Confused Nodes via Separated Learning 2023-06-04	코드 1
GCNJK	Accuracy 81.63 ± 0.54	New Benchmarks for Learning on Non-Homophilous Graphs 2021-04-03	코드 1
GAT	Accuracy 81.53 ± 0.55	Graph Attention Networks 2017-10-30	코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 · 코드 7 · 코드 8 · 코드 9 · 코드 10 · 코드 11 · 코드 12 · 코드 13 · 코드 14 · 코드 15 · 코드 16 · 코드 17 · 코드 18 · 코드 19 · 코드 20 · 코드 21 · 코드 22 · 코드 23 · 코드 24 · 코드 25 · 코드 26 · 코드 27 · 코드 28 · 코드 29 · 코드 30 · 코드 31 · 코드 32 · 코드 33 · 코드 34 · 코드 35 · 코드 36 · 코드 37 · 코드 38 · 코드 39 · 코드 40 · 코드 41 · 코드 42 · 코드 43 · 코드 44 · 코드 45 · 코드 46 · 코드 47 · 코드 48 · 코드 49 · 코드 50 · 코드 51 · 코드 52 · 코드 53 · 코드 54 · 코드 55 · 코드 56 · 코드 57 · 코드 58 · 코드 59 · 코드 60 · 코드 61 · 코드 62 · 코드 63 · 코드 64 · 코드 65 · 코드 66 · 코드 67 · 코드 68 · 코드 69 · 코드 70 · 코드 71 · 코드 72 · 코드 73 · 코드 74 · 코드 75 · 코드 76 · 코드 77 · 코드 78 · 코드 79 · 코드 80 · 코드 81 · 코드 82 · 코드 83 · 코드 84 · 코드 85 · 코드 86 · 코드 87 · 코드 88 · 코드 89 · 코드 90 · 코드 91 · 코드 92 · 코드 93
GPRGCN	Accuracy 81.38 ± 0.16	Adaptive Universal Generalized PageRank Graph Neural Network 2020-06-14	코드 1
H2GCN	Accuracy 81.31 ± 0.60	Beyond Homophily in Graph Neural Networks: Current Limitations and Effective Designs 2020-06-20	코드 1 · 코드 2 · 코드 3 · 코드 4
LINK	Accuracy 80.79 ± 0.49	New Benchmarks for Learning on Non-Homophilous Graphs 2021-04-03	코드 1
GATJK	Accuracy 80.69 ± 0.36	New Benchmarks for Learning on Non-Homophilous Graphs 2021-04-03	코드 1
C&S 2-hop	Accuracy 78.40 ± 3.12	Combining Label Propagation and Simple Models Out-performs Graph Neural Networks 2020-10-27	코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 · 코드 7
SGC 2-hop	Accuracy 76.09 ± 0.45	Simplifying Graph Convolutional Networks 2019-02-19	코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 · 코드 7
APPNP	Accuracy 74.33 ± 0.38	Predict then Propagate: Graph Neural Networks meet Personalized PageRank 2018-10-14	코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5
WRGAT	Accuracy 74.32 ± 0.53	Breaking the Limit of Graph Neural Networks by Improving the Assortativity of Graphs with Local Mixing Patterns 2021-06-11	코드 1
C&S 1-hop	Accuracy 74.28 ± 1.19	Combining Label Propagation and Simple Models Out-performs Graph Neural Networks 2020-10-27	코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 · 코드 7
L Prop 2-hop	Accuracy 74.13 ± 0.46	New Benchmarks for Learning on Non-Homophilous Graphs 2021-04-03	코드 1
MLP	Accuracy 73.61 ± 0.40	New Benchmarks for Learning on Non-Homophilous Graphs 2021-04-03	코드 1