本文探讨了现有的 Graph Neural Networks（GNN）模型评估策略的局限性，通过对四个知名 GNN 模型进行彻底的实证评估，发现只有在公平的条件下比较各种模型的性能才是合理的，简单的 GNN 架构通过超参数和训练程序的公平调整也可以胜过复杂的架构。

Nov, 2018

本研究旨在克服当前评估链接预测方法存在的问题，包括低于实际性能、部分数据集缺乏统一的数据集划分和评估指标以及易于负采样的不现实评估设置，通过使用相同的数据集和超参数搜索设置对著名方法和数据集进行公平比较，创建基于启发式相关抽样技术的实用评估设置，该评估设置通过多种启发式采样难负样本来提高新挑战和机遇，以与实际情况相一致。

Jun, 2023

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

该论文从数据管理的角度对图神经网络 (GNN) 训练进行了回顾，并提供了代表性方法的全面分析和评估，通过在各种基准数据集上进行广泛实验展示了许多有趣且有价值的结果，同时提供了一些从实验中学到的实用技巧，有助于未来设计 GNN 训练系统。

Nov, 2023

该研究论文探讨了关于图神经网络（GNNs）在决策过程中透明度不足的问题，并针对生成 GNNs 解释的方法和数据的评估，研究了三个主要领域的普遍问题：（1）合成数据生成过程，（2）评估指标，以及（3）解释的最终呈现。此外，本文进行了一项实证研究，探讨了这些问题的意外后果，并提出了缓解这些问题的建议。

Nov, 2021

本研究提供了第一个公平、可重复的基准测试，重点研究了训练深度图神经网络中的技巧，并利用该测试在数十个代表性图数据集上进行了全面评估，证明了初始连接、标识映射、分组和批量归一化的有机组合实现了深度 GNN 在大型数据集上的最新成果。

Aug, 2021

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

这篇综述论文分析了分布式图神经网络训练的三个挑战以及通过四类优化技术解决这些挑战的方法：GNN 数据分区、GNN 批量生成、GNN 执行模式和 GNN 通信协议。最后，本文总结了现有的多 GPU、GPU 集群和 CPU 集群的分布式 GNN 系统，并就可伸缩 GNNs 的未来方向进行了讨论。

Nov, 2022

本文提出了一个全面的路线图，从各种涉及的计算技术的角度建立可信任的图神经网络；介绍了可信任的图神经网络的六个方面的基本概念和全面总结了现有的研究，包括鲁棒性、可解释性、隐私、公平性、问责性和环境福祉，并强调了这些方面之间错综复杂的关系；最后，我们对促进可信赖的图神经网络的研究和产业化的趋势进行了全面的概述。

May, 2022

通过对全图训练和小批量训练系统的综合实证比较，我们发现小批量训练系统在多个数据集、GNN 模型和系统配置下都比全图训练系统更快地收敛，速度提升在 2.4 倍至 15.2 倍之间。我们还发现两种训练技术在准确度上趋于相似，因此从时间达到准确度的角度比较两种类别的系统是合理的。

Jun, 2024