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

多关系时间图是建模现实世界数据的强大工具，研究论文介绍了用于评估方法的新的基准框架，并提供了大规模数据集，重点评估预测未来连接方法的效果。

Jun, 2024

通过扩展我们的动态图库 (DyGLib) 到 Temporal Graph Benchmark (TGB)，我们对 TGB 进行了经验评估。在实验中，我们发现一些问题需要解决，包括数据统计不匹配、评估指标计算不准确等；不同模型在各个数据集上表现不同，这与以前的观察相符；当使用 DyGLib 时，一些基准的表现可以显著提高。该工作旨在简化研究人员在 TGB 上评估各种动态图学习方法的工作，并试图提供可以直接参考的结果。

Jul, 2023

本文提出了 TGL，一个适用于大规模离线图神经网络的统一框架，在多个 GPU 上进行训练，该框架包括时间采样器、邮箱、节点内存模块、内存更新器和消息传递引擎等五个主要组件，并通过随机块调度技术解决了训练大批量样本时过时的节点内存等问题。在多个小规模和两个大规模数据集上的实验结果表明，TGL 可以实现更快的训练速度和类似或更好的准确性。

Mar, 2022

通过 GNNBench 基准平台，我们提出了一种新的协议来交换捕获的张量数据，支持系统 API 中的自定义类，并允许将同一系统模块自动集成到诸多深度学习框架中，如 PyTorch 和 TensorFlow，这帮助我们发现了几个需要关注的测量问题。

Apr, 2024

本文通过定性分析时空依赖结构学习以及比较研究所选的 TGN 模型对节点和边缘预测任务的有效性，并进行了对最佳表现 TGN 模型不同变体的广泛消融研究，以提供有价值的关于动态图形分析设计和优化的洞察，同时将快照数据转换为基于事件的数据集并与目前最先进的模型进行了兼容，以实现节点回归任务。

May, 2023

合成时间序列生成是数据增强、异常检测和隐私保护等各种应用中至关重要的，然而现有方法存在三个限制，而为了克服这些限制，我们引入了一个统一和综合评估 TSG 方法的 TSGBench 基准，它包括三个模块：一系列经过精心筛选的适用于合成时间序列的真实世界数据集和标准化的预处理流程；包括传统评估方法、基于距离的新评估方式和可视化工具在内的一套全面的评估措施；一项具有开创性的领域适应根基的泛化测试，兼容所有方法。我们对来自不同领域的十个真实世界数据集进行了广泛的实验，利用了十种先进的 TSG 方法和十二种评价措施，所有这些通过 TSGBench 进行了评估，结果突显出其显著的功效和一致性，更重要的是，TSGBench 提供了方法排名的统计细分，阐明了不同数据集和评估措施之间的性能变化，并且提供了对每种方法有效性的细致见解。

Sep, 2023

本文介绍了 Graph Neural Networks (GNNs) 领域关于基准测试框架的应用，通过该框架，可对模型进行比较，并且探索新的 GNN 设计和洞见，其中，图形位置编码 (PE) 是该基准测试框架中引入的重要设计之一。

Mar, 2020

用于理解用户与项目之间相对较短的正在进行的会话中的交互行为，并通过预测下一步行动来进行会话推荐的研究已日益受到关注。我们提出了临时图神经网络（TempGNN），这是一个用于捕捉复杂项目转换中的结构和时间动态的通用框架，利用节点和边上的时间嵌入操作符对动态会话图进行表示。广泛的实验结果表明，通过将其插入现有的最先进模型，该方法的有效性和适应性。最后，TempGNN 在两个真实的电子商务数据集上取得了最先进的性能。

Oct, 2023

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