图神经网络task7

超大规模数据集类的创建

图神经网络的新基准Benchmarking Graph Neural Networks

与图形无关的NN（MLP）在小型数据集上的表现与GNN相同
对于较大的数据集，GNN改进了与图无关的NN
最简单形式的GNN表现较差
各向同性GNN架构在原始GCN上有所改进。GraphSage证明了在图卷积层中使用中心节点信息的重要性。GIN采用了中心节点特征以及一个新的分类器层，该分类器层在所有中间层均与卷积特征相连。DiffPool考虑了一种可学习的图形池化操作，其中在每个分辨率级别使用GraphSage。除CLUSTER外，这三个各向同性的GNN可以显着提高所有数据集的GCN性能。
各向异性的GNN是有效的。除了PATTERN以外，各向异性模型，例如GAT，MoNet和GatedGCN均能获得最佳结果。另外，注意到，GatedGCN在所有数据集上的性能始终都很好。注：各向同性的GNN大多依赖于相邻特征的简单总和，各向异性的GNN采用复杂的机制（GAT的稀疏关注机制，GatedGCN的边缘门）。
残差连接能够提升模型的性能
正则化能够提升模型的性能

OGB

OGB 能支持 PyG 和 DGL 等主流图神经网络框架，也能支持新颖的数据集切分。其中在图神经网络中，数据集的切分特别重要，它和一般的机器学习任务有很大的不同。

节点预测

odbn-proteins：蛋白质数据集，有着蛋白质之间的关联网络，而且包括了多种生物；

odbn-wiki&#