benchmarking-gnns

收录理由

训练图神经网络的研究者，如果希望自己的实验结果能与已发表的数字直接对照，这个仓库是一个可靠的参照系。它汇集了分子性质预测（如ZINC和AQSOL）以及结构性任务（如PATTERN和CLUSTER）等常见基准，并为消息传递类和Weisfeiler-Lehman类模型都提供了可复现的训练脚本。其价值在于一致性：统一的数据划分、固定的超参数流程，以及按数据集划分的排行榜，让你在评估新架构时，可以跟其他论文普遍引用的同一组基线做公平比较。仓库还附有逐步指南，讲解如何添加新数据集或新模型类别，方便你在需要扩展基准而非仅仅运行它时直接上手。需要注意的是，这是一个评测框架，而不是开箱即用的推理库。