IGB：填补公共图数据集中标签、特征、异质性和大小方面的空缺，用于深度学习研究

KDDFeb, 2023

IGB：填补公共图数据集中标签、特征、异质性和大小方面的空缺，用于深度学习研究

IGB: Addressing The Gaps In Labeling, Features, Heterogeneity, and Size of Public Graph Datasets for Deep Learning Research

PDF

Arpandeep Khatua, Vikram Sharma Mailthody, Bhagyashree Taleka, Tengfei Ma, Xiang Song...

TL;DR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。

Abstract

graph neural networks (GNNs) have shown high potential for a variety of real-world, challenging applications, but one of the major obstacles in GNN research is the lack of large-scale flexible datasets. Most exis

graph neural networks large-scale flexible datasets illinois graph benchmark homogeneous and heterogeneous graphs labeled data

发现论文，激发创造

面向图机器学习的数据集：Open Graph Benchmark

本研究介绍了 Open Graph Benchmark（OGB），它是一个包含多个重要图形机器学习任务的大规模数据集，为规模化、坚固性、再现性图形机器学习研究提供了有挑战的、真实的基准数据集，并提供一个统一的评估协议，其中包括有意义的特定于应用程序的数据拆分和评估指标。同时，OGB 提供了一个自动化的端到端图形机器学习管道，简化了图形数据加载、实验设置和模型评估的流程。

May, 2020

IGL-Bench: 建立不平衡图学习的综合基准

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

OGB-LSC：基于图形的机器学习的大规模挑战

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

动态异构学术图的公共基准测试

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

混合图：一种统一的图表示法，用于复杂图的数据集和基准测试

本文介绍了混合图 (即高阶图) 的统一定义以及混合图基准测试 (HGB)，并提供了可扩展的评估框架和支持代码库以方便在 HGB 上训练和评估 GNNs；我们的实证研究揭示了各种研究机会和空白。

Jun, 2023

图中图神经网络

提出了第一个能够处理图样式数据的图神经网络（GIG Network），其中包含 GIG 样本，每个 GIG 顶点都包含一个图；此网络通过内部信息和顶点间的关系，利用图中的内部线索和顶点间的关系来下游任务，并在各类图分析任务和多图数据分析中取得了最新的性能结果。

Jun, 2024

基于非常深的 GNN 和自监督的大规模图表示学习

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

大规模图训练的全面研究：基准测试和重新思考

本文通过提供大规模图训练不同的架构和贴切的评估方法，在分析它们的优点和缺点后，介绍了一个名为 EnGCN 的新的集成训练方式。

Oct, 2022

BrainGB: 基于图神经网络的脑网络分析基准

使用结构或功能连接来绘制人脑的连通图已成为神经影像分析中最普遍的范例之一。本文提出 BrainGB 作为探索有效的 GNN 设计的基准，来实现开放和可复现的基于 GNN 的大脑网络分析研究。

Mar, 2022

用于大规模图形生成的分层 GNN

该研究提出了一种名为 HIGGS 的模型无关框架，使用具有条件生成能力的 GNN 模型以分辨率层次结构采样图来生成具有大规模且具有现实局部结构的图。

Jun, 2023