本研究提出了一个名为 GraphWorld 的基于人工合成图形的 GNN 模型基准测试方法，可以为 GNN 提供可调、可伸缩和易于使用的基准测试环境，并可以随机生成大量统计差异的数据集，经过实验表明，它可以揭示出传统基准测试中未观测到的模型之间的比较，同时还能探究图形属性与任务性能测量之间的关系。

Feb, 2022

本文探讨了同质性原则对图神经网络在节点分类上表现卓越的主要原因。作者提出了一种上下文随机块模型来定量节点区分度，并开发了一种基于特性的指标来测试 GNN 在合成和真实世界数据集上的优势和劣势。

Apr, 2023

本研究通过引入 Heterophilous Stochastic Block Models (HSBM) 来深入理解图中物种异质性模式对图神经网络的影响，揭示了图卷积操作对分类的可分性提升受到邻域分布欧氏距离和平均节点度的影响，且拓扑噪声对可分性有不利影响，多次图卷积操作时，可分性受邻域分布归一化距离的影响。通过实验验证了理论的有效性。

Jan, 2024

我们介绍了一个用于图机器学习的全面基准测试框架，关注 GNN 在各种网络结构上的性能，结果强调了模型性能依赖于网络结构和节点特征之间的相互作用，并为模型选择提供了见解。

Jun, 2024

提出了一种名为 Computation Graph Transformer（CGT）的图形生成模型，它可以在保证隐私的前提下，生成大规模真实世界图的有效基准图，用于作为 Graph Neural Networks 模型的基准测试。

Jul, 2022

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

本文通过重新评估广泛使用的同质性度量，并从后集成节点相似性的角度研究了异质性。提出了一种新的度量方法，并证明了 local diversification operation 可以有效解决一些有害的异质性情况，然后提出了 Adaptive Channel Mixing（ACM）框架来自适应地利用聚合，多样性和标识通道，从而从多样化的节点异质性情况中提取更丰富的局部信息。经过 10 项基准节点分类任务的评估，ACM-augmented 基线始终实现了显着的性能提升，超过大多数任务上的最新 GNN，而不会带来显着的计算负担。

Oct, 2022

该研究致力于融合社交网络中两个最常用的链路生成模型：随机块模型（SBM）和小世界模型（SWM），通过核学习、谱图理论和非线性降维等技术，开发了第一个可在多项式时间内发现稀疏图中潜在模式的统计算法。

Nov, 2017

该研究通过节约和邻居嵌入、高阶邻居和中间表示的结合，设计出一种草图神经网络（H2GCN），并通过实验表明其在半监督节点分类任务下，具有比传统模型更高的预测准确率，尤其对于异质性网络（即一对连接的节点可能具有不同的类别标签和不同的特征）表现更出色。

Jun, 2020

提出了 GloGNN 和 GloGNN 两种模型应用于具有异质性的图上，能够从全局节点中聚合信息生成节点嵌入，理论证明了这种方法的有效性并在 15 个基准数据集中进行实验证明其性能优异。

May, 2022