介绍 OGB Large-Scale Challenge (OGB-LSC) 数据集，提供了链接预测、图回归和节点分类等三个核心图学习任务的基线实验，并展示了表达性图机器学习模型的巨大优势和当前大规模图机器学习的最佳实践。该数据集已经在 ACM KDD Cup 2021 中得到了全球超过 500 个团队的注册，吸引了各种创新技术的参与，进一步促进了大规模图机器学习方面的研究进展。

Mar, 2021

本文介绍了伊利诺伊图基准（Illinois Graph Benchmark，IGB），是一种可用于高度准确地培训、审查和系统评估 GNN 模型的研究数据集工具，其中包括大量的同质和异质图，超过 40％的节点被标记，提供了比最大的图数据集公开可用更多的标记数据，还具有灵活性，使得研究各种 GNN 体系结构、嵌入式生成技术并分析系统性能问题成为可能。

Feb, 2023

Temporal Graph Benchmark 是一个收集了各种涉及社交、贸易、交通等网络领域的大规模数据集，用于实现机器学习模型在时间图上的现实、可重复和强大的评估。此外，该研究表明对于动态节点属性预测任务，简单的方法往往比现有的时间图模型表现更好，并提供了一个自动化的机器学习流程用于可重复和可访问的时间图研究。

Jul, 2023

本文介绍了基于开放学术图的全面、多方面和细粒度的人工筛选基准 OAG-Bench，涵盖了 10 个任务、20 个数据集、70 + 基线和 120 + 实验结果，并提供了新的数据注释策略、数据预处理代码、算法实现和标准化评估协议，以促进学术图挖掘的发展。

Feb, 2024

本文探讨了在大规模情况下有效和高效地部署图神经网络的问题，并介绍了我们在 Open Graph Benchmark Large-Scale Challenge 上使用的两个大规模 GNNs 模型的性能。通过这项工作，我们展示了可扩展的自监督图表示学习的证据和非常深层次的 GNNs 的实用性。

Jul, 2021

本文介绍 Graph Robustness Benchmark (GRB) 以及如何利用其提供的标准化攻击和防御过程、统一评估协议、公共排行榜评估和数据处理来发展更为健壮的图机器学习模型。

Nov, 2021

本研究针对机器学习模型在动态图中的学习和推理遇到的挑战，针对传统静态同构图数据集的局限性，提出了一种利用多元素科学出版涵盖的动态异构学术图数据集，测试模型预测任务的效能，并提出了一种系统方法来改善现有的图预测模型评估程序。

Apr, 2022

为了解决不平衡图数据在传统图学习算法中所导致的偏颇结果问题，本研究引入了 IGL-Bench，它是一种用于不平衡图学习的全面基准测试工具，研究了 16 个不同的图数据集和 24 种不同的 IGL 算法，通过一致的数据处理和划分策略，系统地评估了 IGL 算法的效力、鲁棒性和效率，并展示了这些算法在不同不平衡条件下的潜在益处，为 IGL 领域的进一步研究提供了机会和启示。

Jun, 2024

图领域适应模型在跨网络学习任务中得到广泛应用，目的是传递标记或结构知识。我们提出了一个名为 OpenGDA 的基准，它提供了丰富的预处理和统一数据集以进行不同类型的任务评估，并整合了最先进的模型和标准化的端到端流程。OpenGDA 是一个用户友好、可扩展和可复制的基准，可用于评估图领域适应模型在真实世界应用中的性能和挑战。

Jul, 2023

这篇论文介绍了 OpenGSL，这是第一个全面的 Graph Structure Learning 基准，旨在通过评估出现在各种流行数据集，以及使用统一数据处理和分割策略的最新 GSL 方法之间的公平比较，缩小研究进展存在的差距。

Jun, 2023