全球基准数据库
内容提要
本文介绍了多个机器学习基准测试，旨在促进关系数据库和图形机器学习的研究。RDBench 提供多样的数据集，OpenGDA 和 OGB 评估图领域适应模型的性能。Temporal Graph Benchmark 收集动态网络数据，SustainBench 关注可持续发展目标。这些基准测试为研究提供了标准化的评估流程，降低了参与门槛。
延伸解读
基准测试的领域覆盖与侧重点
文章介绍了多个基准测试，覆盖关系数据库、图领域适应、时间图、可持续发展目标等方向。RDBench 和 4DBInfer 关注多表关系数据库，OpenGDA 和 OGB 侧重图领域适应与大规模图任务，Temporal Graph Benchmark 针对动态网络，SustainBench 则服务于可持续发展目标。这些基准各有侧重，研究者可根据任务类型选择合适基准，避免误用。
动态图评估中的潜在问题
文章提到，通过扩展 DyGLib 对 Temporal Graph Benchmark 进行经验评估时，发现数据统计不匹配、评估指标计算不准确等问题。同时，不同模型在各数据集上表现不同，与以往观察一致；使用 DyGLib 后，部分基准表现显著提高。这提示研究者在动态图评估中需注意数据与指标的一致性，并考虑工具对结果的影响。
现有模型的改进空间与社区价值
文章指出，在数据发现任务上，现有表格模型仍有很大改进空间；对于动态节点属性预测，简单方法往往比现有时间图模型表现更好。这些发现表明，基准测试不仅能揭示模型局限，还能引导社区开发更有效的方法。建立标准化基准有助于降低参与门槛，促进可复现研究，推动领域发展。
Q&A
RDBench 是什么，它的主要功能是什么？
RDBench 是一个标准化基准测试，旨在促进多表关系数据库上可复现的机器学习研究，提供多样的关系数据库数据集。
OpenGDA 如何评估图领域适应模型的性能？
OpenGDA 提供丰富的预处理和统一数据集，支持不同类型任务的评估，旨在评估图领域适应模型在真实世界应用中的性能。
Temporal Graph Benchmark 的主要用途是什么？
Temporal Graph Benchmark 收集动态网络数据，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。
SustainBench 关注哪些可持续发展目标？
SustainBench 涉及经济发展、农业、健康、教育、水和卫生、气候行动及陆地生活等15个基准任务，旨在评估机器学习模型在可持续发展目标上的表现。
Open Graph Benchmark (OGB) 提供了哪些资源？
OGB 提供多个重要图形机器学习任务的大规模数据集和统一评估协议，支持规模化和再现性研究。
Illinois Graph Benchmark (IGB) 的特点是什么？
IGB 是一个用于系统评估 GNN 模型的研究数据集工具，提供大量标记数据和灵活性，支持多种 GNN 体系结构的研究。
