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

使用 20 个不同的图数据集和 16 个不同的 GSL 算法构建的全面图结构学习基准 (GSLB) 系统地分析了 GSL 的性能，并评估了前沿的 GSL 算法在节点级和图级任务中的表现，以及它们在鲁棒学习和模型复杂性方面的性能并提供了可视化的方法进行训练、评估和可视化不同的 GSL 方法。

Oct, 2023

源定位是应对扩散危险的重要手段之一，本研究提出了一种基于仿真的方法，称为 BOSouL，采用贝叶斯优化近似结果以提高效率。通过模拟，BOSouL 可以在数据获取过程中结合任意扩散模型，并展现出在图结构和扩散模型方面的鲁棒性。

Mar, 2024

本文提出了一种基于可逆的有效图扩散模型的通用框架，用于在图上进行源定位，该模型可处理包括难以在端到端方式中对图扩散模型的逆过程建模、难以确保推断出的来源的有效性以及源推断的效率和可伸缩性等主要挑战。

Jun, 2022

本文介绍了 Deep Graph Library（DGL）的设计原则和实现方法，DGL 将 GNNs 的计算模式提炼成几个泛化的稀疏张量操作，适合大规模并行化。DGL 以图形为中心编程抽象，能够透明地进行优化。同时 DGL 采用了框架中立的设计，允许用户在多个深度学习框架中轻松移植和利用现有的组件。我们的评估表明，在各种基准测试中，DGL 在速度和内存消耗方面都显著优于其他流行的面向 GNNs 的框架，并且对于小规模工作负载的开销很小。

Sep, 2019

我们提出了一种名为统一图结构学习（UGSL）的框架，用于图结构学习的基准策略，该框架将现有模型重构为一个单一模型，并对框架中不同组件的有效性进行了广泛分析，结果详细说明了该领域中的不同方法及其优缺点。

Aug, 2023

本研究介绍了一个基于 DGL、RDKit 和 PyTorch 的开源包：DGL-LifeSci，为生命科学领域的深度学习提供了一个基于图的模型，在分子属性预测、反应预测和分子生成等任务中都有广泛应用，并且提供了命令行接口方便用户进行编程、深度学习和建模，同时 DGL-LifeSci 具有优化模块和预训练模型等特点。

Jun, 2021

DIG 是一个富有研究性质的图形深度学习测试平台，提供数据接口、通用算法和评估指标，可拓展性强，适合研究者开发新算法并轻松地与公共数据集和评估指标进行比较。

Mar, 2021

本文介绍了一种名为 GraphGen 的领域无关技术，它使用 DFS 代码将图形转换成序列，并利用一种新颖的 LSTM 架构学习图形和语义标签之间的复杂联合分布，从而克服了许多现有技术的局限性，该技术在多个性能指标方面表现优异。

Jan, 2020

GLISP 是一个针对工业规模图的基于采样的 GNN 学习系统，通过利用图的内在结构特性解决了在图学习过程的不同阶段出现的可扩展性和性能问题，并且在训练和推断任务上相对于现有的 GNN 系统实现了 6.53 倍和 70.77 倍的加速，并能够在资源有限的情况下扩展到具有超过 100 亿个顶点和 400 亿条边的图。

Jan, 2024